Nov, 2015

学习为特征点分配方向

PDF
TL;DR本文介绍了如何使用卷积神经网络为特征点分配一个规范方向，以改进特征点匹配，并使用 Siamese 网络和新型激活函数来实现最优化方向的自动寻找，最后，在四个数据集上进行了验证，包括两个非平面数据集和一个自有数据集，并证明了该方法在不需要对每个数据集进行重新训练的情况下超越了现有技术。
convolutional neural networkfeature point matchingsiamese networksactivation functiondataset
发现论文，激发创造
  • 强化特征点： 针对高级任务优化特征检测和描述

    该研究论文提出一种嵌入完整视觉流水线中的特征检测器训练方法，通过强化学习的原则克服关键点选择和描述符匹配的离散性，并通过实验表明该方法可以提高基于学习的特征检测器在任务中的准确性。

    Dec, 2019

  • Patch Reordering: 在卷积神经网络中实现旋转和平移不变性的新方法

    通过数据增强编码旋转或平移不变性到模型结构中，并在传入下一层之前进行补丁排名来让模型专注于学习目标物品的内容而非它们的位置，从而改善了 CNN 在 MNIST 数字识别，大规模图像识别和图像检索等基准任务的性能。

    Nov, 2019

  • 通过预测图像旋转进行无监督表示学习

    本研究提出利用 2D 旋转来训练卷积神经网络学习图像特征的无监督语义特征学习方法，并在演示和各种无监督特征学习基准测试中详尽评估该方法，在所有测试中均表现出明显的优异性能。

    Mar, 2018

  • 通过自监督的球形 CNN 学习定向表面

    本文提出了一种基于 Spherical CNNs 的自我监督训练的方法，能够学习并识别 3D 形状的标准方向，该方法被称为 Compass，并在多个公共数据集上实验，证明了其有效性。

    Nov, 2020

  • 街景到空中景象图像地理定位和方向估计的再探讨

    本文研究了将查询街景图像与参考集中带有 GPS 标记的航空图像进行匹配的问题，并指出了图像对齐信息的被忽视问题，研究表明，基于度量学习技术的改进可以显著提高性能而无需利用对齐信息，同时使用 Grad-CAM 进行可视化来理解模型以及对齐信息的效果，提出了一种新的方法来估计未知对齐信息下的交叉视图图像之间的方向 / 对齐，其在 CVUSA 数据集上取得了最新的结果。

    May, 2020

  • 为跨视图地理定位的神经网络引入贷款方向

    本文提出一种基于方向信息的神经网络模型，应用于图像地理定位问题中，使用角度编码方式让神经网络更好的提取特征，使该模型在地理位置定位方面表现出较高的正确率和精度。

    Mar, 2019

  • 具有高效中层特征提取的连体回归网络，用于三维物体姿态估计

    本文提出了一种基于 Siamese Networks 的、直接回归物体姿态的端到端学习框架，利用我们的姿态引导特征学习，在三维姿态估计领域中取得了更好的性能表现。该学习框架还具备在严重遮挡下仍可进行学习的能力，并在新颖的手 - 物体数据集上表现出高性能。

    Jul, 2016

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 深度点云分析的旋转不变框架

    本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

    Mar, 2020

  • SRINet：用于点云分类和分割的严格旋转不变表征学习

    提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

    Nov, 2019