Oct, 2016

基于多分辨率 CNN 的辅助知识异构场景分类

PDF
TL;DR本文提出了一种多分辨率卷积神经网络架构来捕捉多级场景信息，并设计了两种知识引导的消歧技术来解决标签模糊性问题，实验结果证明该方法在三个大型图像数据集上获得了最先进的结果，并在两个主要的场景识别挑战中获得了第二和第一的成绩。
convolutional neural networksmulti-resolution cnn architecturelabel ambiguitydisambiguation techniquesscene recognition
发现论文，激发创造
  • 使用 CNN 进行场景识别：对象，尺度和数据集偏差

    通过分析 ImageNet-CNNs 和 Places-CNNs 在不同尺度上的响应，本文提出了一种基于尺度的深度学习算法，并发现 scale-specific CNN 对于提高物体场景识别的准确性至关重要。实验结果表明，简单而精心选择的 ImageNet-CNN 和 Places-CNN 的多尺度组合可以将 SUN397 的最新识别准确性推至 66.26％（甚至在更深的架构中达到 70.17％，与人类的表现相当）。

    Jan, 2018

  • 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

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 2015

  • 通过自级联卷积神经网络完成超高分辨率图像的语义标注

    提出了一种基于 CNN 的新型深度模型（ScasNet），用于在具有高度复杂的城市环境下对非常高分辨率（VHR）图像进行语义标注。ScasNet 通过全局到局部环境聚合和粗到精微的细化策略，以及专用的残差校正方案，大大提高了标记的一致性和准确性，并在三个公共数据集上获得了最先进的性能。

    Jul, 2018

  • 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

    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。

    Sep, 2015

  • 面向视觉地点识别的大规模深度学习特征

    该研究通过训练两个卷积神经网络 (CNN) 架构来实现特定位置识别任务，并采用多尺度特征编码方法生成具备不变性的特征。通过建立具有变化外观的特定场所数据集 (SPED)，该研究综合评估了所训练的网络，并证明相对于其他场所识别算法和预训练的 CNN，其性能平均提升了 10%。

    Jan, 2017

  • 多尺度体素深度网络对点云场景的分类

    描述了一种卷积神经网络，用于分类城市或室内场景的 3D 点云，采用多尺度邻域的点位置进行点分类，排名第二，并打败了不使用正则化步骤的最新点分类方法。

    Apr, 2018

  • Places: 用于深度场景理解的图像数据库

    本论文描述了一个 10 百万场景照片的库，利用卷积神经网络进行图像场景分类，具有高覆盖率和高多样性的实例，为解决目前难以解决的视觉识别问题提供了生态系统。

    Oct, 2016

  • 利用带有上下文聚合的 ConvNet 进行卫星影像场景分类

    本文提出了一种基于上下文聚合的卷积神经网络 (ConvNet) 的新型表达形式，即 ResNet-TP，它采用 ResNet 作为骨干网络，拥有两个路径，允许网络建模局部细节和区域上下文，实验结果表明，在 UCM Land Use 和 NWPU-RESISC45 两个场景分类数据集上，相比现有最先进的方法，提出的机制取得了显着的改进。

    Feb, 2018

  • 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