通过移动学习视觉
通过利用本体神经信号的无监督约束来规范化卷积神经网络的特征学习,以学习关于本体视角下图像的视觉表征,进而实现一些视觉认知任务的显著性能提升,尤其是在自动驾驶平台捕获的无人机图像中进行的大规模场景识别。
May, 2015
本文介绍了一种基于无监督学习的视觉特征提取方法,采用运动分割技术自动从视频中得到图像分割信息进行卷积神经网络训练,结果在涉及少量目标训练样本的场景下显著优于现有无监督学习方法。
Dec, 2016
本研究使用玩具箱数据集和计算机视觉框架进行自我监督对比学习实验,发现通过学习信号,将单个物体的不同视角赋予相似的表示有助于视觉学习的稳健性,这种性能的提高对于多种图像分类任务来说是可持续的。
May, 2023
通过引入新颖的跨模态自监督训练框架,本文解决了点云方法中的假流和不一致性问题,提出了三种创新的监督信号来保留场景动作的内在属性,包括遮罩 Chamfer 距离损失、分段刚性损失和时间一致性损失,通过广泛实验证明,我们提出的自监督框架在动作预测任务中优于所有先前的自监督方法。
Jan, 2024
使用自监督学习来学习套接在 AR/VR 设备上内嵌的 IMU 传感器捕捉的人类和狗的视角视频获得的头部运动,以识别自传活动。
Oct, 2021
通过应用光流和自我运动补偿的图像方法,该项目解决了行人应用中的运动分析问题,预测人类或机器运动意图的位置和方式,并通过高斯聚合稳定预测的运动焦点区域,增强了运动方向的预测准确性。
Apr, 2024
本研究通过收集儿童的第一人称图像来分析他们所接受到的训练数据,并就儿童如何通过手操作物体来控制所接受到的监督信号进行探究。实验结果表明,通过手控制监督信号比没有手的效果更好,并且即使只有少量图像可用,这种趋势是一致的。
Jun, 2019
本篇研究提出了一种新的基于条件运动传播和稀疏光流技术的自监督学习范式,能够有效地学习视觉表征,并在语义分割、实例分割以及人体解析等多个任务上实现最先进的自监督学习表现,还能实现半自动像素级标注。
Mar, 2019
本文探索运用物体感知表征学习技术进行机器人任务,自监督学习方法可降低实际世界中收集大量标记数据的成本,该研究展示物体感知表征学习技术在策略学习和物体定位预测方面显著提高了当前技术的效能和表现。
May, 2022