Sep, 2015

使用卷积神经网络的语义正则化场景分类器，通过物体理解场景类别

PDF
TL;DR本研究利用深度学习技术提高了机器人应用中的场景分类能力，通过语义分割对深度神经网络进行正则化，实现了基于对象知识的场景分类，比目前最先进的算法在 SUN RGB-D 数据集中获得了更好的表现，同时使语义分割性能达到了新的记录，并将算法成功应用于移动机器人捕捉的图像场景分类中。
发现论文，激发创造
  • 语义感知场景识别

    该论文提出了一种基于多模式 CNN 的场景识别新方法，结合图像和上下文信息，通过注意力机制来强化学习和增强场景的辨别能力，实验证明该方法性能超过所有现有的先进方法，并显著减少了网络参数。

    Sep, 2019

  • 通过学习图像描述实现深度结构场景解析

    本文提出了一种基于深度架构的场景理解方法，通过一个卷积神经网络和一个递归神经网络分别提取图像特征和分层物体结构，结合基于描述性语句的弱监督训练，实现场景图像的自动解析，该方法在 PASCAL VOC 2012 数据集上表现出色。

    Apr, 2016

  • 使用上下文 - CNN 进行场景分类的对象级上下文建模

    本文介绍一种模型语境感知的深度神经网络，该模型利用 LSTM 单元结合物体提议来捕捉物体和场景之间的关系，并且通过对学习到的特征进行可视化和分析，证明了模型具有很好的语境建模能力。

    May, 2017

  • 遥感影像场景分类遇上深度学习：挑战、方法、基准和机遇

    本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用，包括自编码器、卷积神经网络和生成对抗网络等方面，总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。

    May, 2020

  • 利用深度 CNN 特征提取具有区分性元对象进行场景分类

    本研究介绍了一个基于深度 CNN 特征和区域提议技术的新型 pipeline，旨在从场景图像中提取判别性的视觉对象和局部区域进行分类，经过无监督和弱监督学习从大量高质量的 patches 中筛选出代表特定类别的判别性 objects 和 parts，并为相似 objects 和 parts 聚类形成 meta objects，该方法在两个流行的场景基准数据集上展现了领先水平。

    Oct, 2015

  • 基于卷积神经网络的室内场景理解的物理渲染

    本研究介绍了一个大规模的合成数据集，该数据集包括来自 4.5k 个室内场景的 40 万张基于物理的渲染图像，研究了不同的渲染方法和场景照明对深度学习算法在表面法线预测、语义分割和物体边界检测三个计算机视觉任务中的影响，并表明，使用这个新的合成数据集进行预训练可以提高所有三个任务的结果。

    Dec, 2016

  • 使用合成数据理解现实世界室内场景的 SceneNet

    本文研究场景理解问题，通过使用计算机图形学生成合成 3D 场景，以解决手动收集大量数据问题，从而避免了收集数据的麻烦和昂贵成本。通过使用深度数据作为输入仅使用 RGB-D 系统的深度数据，我们在 NYUv2 数据集上的表现相当于最先进的 RGBD 系统，并在 SUN RGB-D 数据集上设置了基准。文章还探讨了生成合成图像或视频数据，以及分析影响性能增益的不同因素。

    Nov, 2015

  • 深度场景卷积神经网络中浮现的目标检测器

    本文讨论了利用卷积神经网络进行场景分类的方法，通过该方法可以自动学习场景中有意义的对象探测器，从而在单个前向传递中实现场景识别和对象定位。

    Dec, 2014

  • 有限训练数据的语义分割

    介绍了在混乱场景中进行机器人感知的方法，在 Amazon 机器人挑战赛中获得胜利。作者提出了两种策略：一种是基于深度度量学习的方法，另一种是基于全监督语义分割方法的方法，并在数据集上进行了全面分析。两种方法都有良好效果，值得进一步研究。

    Sep, 2017

  • 当 CNN 遇到随机 RNN: 多层次 RGB-D 物体和场景识别分析

    本文提出了一个使用 RGB-D 图像进行对象和场景识别的新方法，使用深度神经网络取代手工特征提取器，并利用卷积神经网络提取的视觉特征和递归神经网络高效转换为高级别特征，通过软投票方法进行多模态融合来实现一致的分类结果，实验结果表明该方法在对象和场景识别任务中均取得了卓越或同等水平的性能。

    Apr, 2020