针对少样本、细粒度分类任务,提出使用姿态归一化表示方法,并通过实验证明,该方法可以较小幅度地增加模型能力,在浅层和深度网络结构下将准确率提高 10 到 20 个百分点,具有更好的泛化性能,并且适用于多种 few-shot 算法和网络架构。
Apr, 2020
该论文提出了一种基于语义部分定位的细粒度分类方法,并通过利用深度卷积特征来克服对象检测困难,同时学习整个对象和零散对象部分的检测器和他们之间的几何约束,从而预测一个细粒度的类别。该方法在不需要在测试时提供包围盒的情况下,通过对 Caltech-UCSD Bird 数据集的实验证明其优于现有细粒度分类方法。
Jul, 2014
本文提出了一种全卷积网络的方法,通过部位定位和关键点标注来实现表观的转化,以有效解决姿态变化和外观上的微妙差异在微细分类中的挑战。在 CUB200 测试集中表现出最新的性能,为强监督发挥了重要作用。
Nov, 2015
本文探讨了深度学习方法在物体识别和姿态估计方面的应用,发现卷积神经网络(CNN)可以同时进行物体分类和姿态估计,并在两个大型多视点数据集上实现了优于最先进方法的表现。
自动捕捉动物姿态正在改变我们对于神经科学和社交行为的学习,本文提出了一种模型和多视角优化方法,用于捕捉鸟类的独特形状和姿态,并引入了一个管道和实验,实现了从单个视角恢复精确的鸟类姿态的关键点、掩码、姿势和形状回归。
Aug, 2020
本文提出了一种结合基于部分模型和深度学习的姿势归一化卷积神经网络方法,以有效地从人物图片中推断人的属性,包括性别、发型、衣着风格、表情和动作,并且在限制条件下,该方法比目前最佳的基于部分模型和全身边框的 CNN 训练方法表现更好。
Nov, 2013
通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升
Nov, 2014
本文通过基于 poselets 的部分方法解决了在自然场景中检测人的问题,并使用 bootstrapping 方法收集了数以百万计的弱标记示例来训练卷积神经网络以区分不同的 poselet 类型和背景类。通过训练 poselet 模型来识别人并有效地预测边界框,其效果在 PASCAL 数据集上达到了最先进的水平。
本文提出了一种新的基于卷积神经网络的人体姿势估计的架构和改进的学习技术,能够学习底层特征和高级弱空间模型,在姿态估计中比现有传统架构实现了显著改善。同时,本文探讨了一些研究中发现的经验教训,表明在一些情况下,甚至仅涵盖图像中的几个像素的特征检测器也可以产生出强的特征检测结果,并且高级空间模型对姿势估计的改善效果相对较小。本文的主要贡献在于展示了一种特定变体的深度学习可以在该任务上胜过所有现有传统架构。
Dec, 2013
我们提出了一种完全通用的深度姿态估计方法,通过动态条件姿态估计和目标物体的 3D 模型表示相结合,能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。
Jun, 2019