卷积神经网络检测消失点
提出了一种新的从非校准单目图像中检测消失点的方法,并使用卷积神经网络(CNN)基于从图像中检测到的线采用反面点投影的高斯球表示进行训练。该算法使用合成数据来训练,无需标记图像,达到了竞争性的性能,可用于其他用例。
Jul, 2017
本文提出了基于几何启发式卷积算子的深度网络,以检测图像中的消失点,该算子在规范的圆锥空间内被实现为常规卷积,该方法显著提高了传统方法检测消失点的性能。
Oct, 2019
本文介绍了一种基于快速霍夫变换层的新型神经网络架构,将其应用于处理文档图像中的消失点检测问题,并使用 MIDV-500 数据集证明其强大的泛化能力。
Sep, 2019
本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法,利用深度卷积网络提取全局图像上下文,并逆转现有方法的先后顺序,通过提出一组地平线候选者并针对其包含的消失点对其进行打分,而非先找到候选消失点再通过强制互相正交来消除异常值。我们在三个基准数据集上评估了我们的方法,并在每个数据集上均取得了最好的性能,同时我们的方法明显快于之前最好的方法。
Aug, 2016
该论文提出了一个名为 VPGNet 的多任务神经网络模型,可以同时处理车道和路标检测和识别,在恶劣的天气条件下实现高效准确的检测,通过在消失点上的指引,能够在雨天、低照度和夜间等情况下成功地应对色彩畸变、光照反射等多种问题。
Oct, 2017
我们提出了一种使用安装在车辆挡风玻璃和仪表盘上的普通摄像头来估计驾驶员凝视点的新方法。该方法通过开发一种卷积网络来同时分析场景图像和驾驶员面部图像,其中包含一个相机校准模块,可以计算表示驾驶员和摄像头系统之间空间配置的嵌入向量,该模块改善了网络的性能并可以进行端到端的联合训练。我们还引入了一种大规模的驾驶数据集,其中包含了真实驾驶情景的图像以及驾驶员面部和凝视数据,对该数据集的实验表明,所提出的方法优于各种基准方法,均方误差为 29.69 像素,相对于场景摄像头的 $1280 {imes} 720$ 分辨率而言,误差较小。
Apr, 2024
我们使用轮廓检测来解决自然景观场景中缺乏强边缘的问题,该方法能够检测出主导消失点和相关线结构,以实现对线性透视在风景摄影中的自动理解。我们的方法明显优于最先进的方法,并通过一种新颖的视点特定图像检索系统,进一步展示了我们的线性透视理解方法如何为业余摄影师提供现场指导。
Aug, 2016
本研究基于车辆的单一 RGB 图像,提出了一种学习框架,其将 3D 视角的特征表示与 2D 外观特征相结合进行车辆识别,通过在 BoxCars 数据集上的分类和验证任务中取得优越性能的结果验证了该方法的有效性。
Mar, 2019
利用消失点先验知识的 VPSeg 模型在驾驶场景下进行视频语义分割,通过两个模块(DenseVP 和 MotionVP)利用静态和动态消失点先验知识,实现了更加有效的分割结果。这种模型在两个流行的驾驶分割基准数据集 Cityscapes 和 ACDC 上的实验证明了其在准确性方面的卓越表现,同时计算开销相对较小。
Jan, 2024