CVPRMar, 2016

通过融合尺度相关的深度边缘输出，在自然图像中提取物体骨架

PDF
TL;DR本文提出了一种基于多尺度输出的全卷积网络，旨在解决自然图像中目标骨架提取的挑战及相关方法的缺陷，通过引入与每个级别的感受野大小相关的多尺度关联侧输出，并将其引导至不同尺度的骨架，然后以一种尺度特异性的方式融合多个基于不同尺度输出的信息，以有效定位不同尺度的骨架像素。在两个骨架提取数据集上，该方法表现良好且明显优于竞争对手。
发现论文，激发创造
  • DeepSkeleton：在自然图像中学习多任务与尺度相关的深度边缘输出，用于物体骨架提取

    本文介绍了一种基于卷积神经网络的多尺度关联侧输出全新骨架提取方法，该网络训练时实行多任务学习，实现骨架像素的定位和厚度的回归，以获取对象骨架和厚度信息在目标检测应用中的有效性。

    Sep, 2016

  • 动态特征整合技术在显著目标、边缘和骨架同时检测中的应用

    本文提出了一种基于统一框架的低级像素视觉问题解决方法，通过选择性整合模块和任务自适应注意力模块实现，经实验验证不同的任务可以在同一个框架下进行训练，并在多个代表性数据集上证明了该方法的有效性。

    Apr, 2020

  • 人体姿态估计的多尺度结构感知网络

    本文提出了一种多尺度结构感知神经网络，通过多尺度监督、多尺度回归网络、中间监督和结构感知损失以及关键点掩蔽训练方案等四个方面对深度卷积 - 反卷积沙漏模型进行改进，以有效地提高人体姿势估计的性能。该网络不仅可以解决尺度差异、遮挡和复杂多人场景等问题，而且可以全局优化多尺度特征的结构匹配，并在 MPII 挑战排行榜上取得了领先地位。

    Mar, 2018

  • 基于骨架的动作识别：使用平移尺度不变性图像映射和多尺度深度卷积神经网络

    该论文提出了一种基于图像分类的骨架视频动作识别方法，通过图像映射和卷积神经网络构建实现了在多个数据集上的最新成果。

    Apr, 2017

  • 多尺度监督网络用于人体姿态估计

    该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

    Aug, 2018

  • 基于骨架的在线动作预测：使用比例选择网络

    本文提出了一种适用于骨架输入数据的行为预测框架，该框架采用了多种卷积网络技术，并在空间和时间维度上进行了优化，以识别一系列活动中正在进行的活动，并通过层次结构的语义表示来提高预测准确性。

    Feb, 2019

  • 多尺度细化的注意力语义分割

    本文提出了一种新颖的注视模型用于语义分割，该模型聚合了多尺度和上下文特征进行预测。该模型使用骨骼卷积神经网络框架输入多个不同的尺度，进而可以获取不同尺度的表示。提出的注视模型将分别处理不同尺度的特征并集成它们。然后，该模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权。此外，我们添加了一个重新校准分支，与位置注视分支平行，用于重新校准每个类别的分数图。在 PASCAL VOC 2012 和 ADE20K 数据集上，我们取得了相当有竞争力的结果，超过了基线和相关工作。

    Jul, 2018

  • 基于多尺度时空骨架匹配的一次性动作识别

    本文提出一种新的一次性骨架动作识别技术，通过多尺度空间和时间特征匹配处理骨架动作识别，实现了优秀、卓越的一次性骨架动作识别，并在诸多大规模数据集上，持续超越当前最先进的方法。

    Jul, 2023

  • Hi-Fi: 层次化特征整合用于骨架检测

    本论文提出了一种新的卷积神经网络架构，称为 Hi-Fi，并通过引入新的分层特征集成机制来解决对象骨架检测问题，在多种基准测试上取得了显着的性能提升，这表明了该方法的有效性。

    Jan, 2018

  • 上下文注意力网络用于骨架提取

    本文提出了一种基于上下文信息并采用 UNet 结构的注意力模型 CANet 来提取轮廓骨架像素，同时采用距离变换和加权重点损失等技术来取得优秀的结果，并在 Pixel SkelNetOn 竞赛中获得了第一名。

    May, 2022