每个像素都是分类器的密集语义对应
本文针对语义对应中标签稀疏性的挑战,提出了一种基于稀疏关键点注释生成密集伪标签的教师 - 学生学习范式,并开发了两种噪声伪标签去噪策略,使用空间先验和损失驱动的动态标签选择策略。实验结果表明该方法在语义对应的三个基准测试中均取得了显著进展并建立了新的最新成果。
Aug, 2022
本文提出了 SCNet,一种基于卷积神经网络的语义对应的几何合理模型,利用区域提议实现匹配原语,并明确将几何一致性纳入其损失函数中,该方法在多项基准测试中均表现优异。
May, 2017
本论文提出了一种实用的建立图像间稠密一一对应的方法,利用像素的上下文信息估计本地尺度,并使用三种方法在整个图像中保持比例不变特征提取,有效地解决了局部尺度不同的问题,实现了不同图像之间的准确的稠密对应,且计算成本较小。
Jun, 2014
本文针对在图像检索中几何对应验证,提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型,并通过实验证明了该模型具有竞争力。此外,将该方法应用于长期视觉本地化问题,并在跨数据集上进行了验证。
Apr, 2019
本文提出了一种语义感知的细粒度对应方法,该方法融合了基于图像和基于像素的自监督学习方法来提高任务的性能,在视频对象分割、人体姿态跟踪和人体部分跟踪等视觉对应任务上超过了以往基于卷积神经网络的最新自监督方法。
Jul, 2022
通过无监督学习从大量未标记图像路径中学习特征,对像素进行编码,并进行空间池化以获得补丁层特征,然后将学习到的特征顺畅地嵌入到多层匹配框架中,得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型,并分析了字典学习和特征编码对最终匹配性能的影响。
Jan, 2015
本文提出利用跨实例视觉一致性作为监督信息,通过建立一个包含 4 个环(4-cycle)的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现,并在测试阶段显示出优于先前相关任务的最新成果。
Apr, 2016
本文提出了一种基于同一类别不同对象之间的语义对应关系来恢复物体丰富语义信息的方法,同时介绍了 CorresPondenceNet 数据集,通过该数据集训练得到的密集语义嵌入可以促进异构对象的细粒度理解以及跨对象注册和部分对象匹配。
Dec, 2019
本研究介绍了一种新的素描 - 照片对应基准,PSC6k,其中包含 125 个物体类别上 6250 个素描 - 照片对的 150K 注释,并提出了一种自监督方法,用于学习素描 - 照片对之间的密集对应关系,该方法在精细度和量化上优于其他基线模型,为开发实现更接近人类的不同抽象层次上的视觉图像理解的人工系统提供了有希望的道路。
Jul, 2023