ICCVApr, 2017

超越平面对称性：模拟野外环境下人类对反射和旋转对称性的感知

PDF
TL;DR本论文介绍了 Sym-NET，这是第一个用于检测深度学习神经网络的反射和旋转对称性的模型，在人类感知的对称性、基于图像的计算机视觉竞赛中获得了最佳表现。
symmetry perceptiondeep learningcomputer visionneural networkms-coco
发现论文，激发创造
  • SymmetryNet：从单视角 RGB-D 图像中学习预测 3D 形状的对称性（反射对称性和旋转对称性）

    本篇研究提出了一种深度神经网络方法，可以从单视角 RGB-D 图像中检测三维物体的反射和旋转对称性，并可以预测其对称轴和对称对应关系，同时具有极强的泛化能力，能够处理不同形状、多重对称以及新物体种类的情况。

    Aug, 2020

  • PRS-Net：三维模型平面镜像对称性检测网络

    本文提出了一种基于卷积神经网络的无监督学习框架，以自动发现三维形状的全局平面镜像对称性，并可识别广义圆柱体旋转轴。该方法相较于现有基于采样的方法快数百倍，即使在有噪音或不完整的输入表面数据下也很稳健。

    Oct, 2019

  • NeRD: 神经网络 3D 对称性反射探测器

    本研究介绍了 NeRD，一种神经 3D 反射对称性检测器，可以准确地恢复对象的镜像平面的法线方向，并证明检测到的对称性可用于提高下游任务（如姿态估计和深度图回归）的性能。

    Apr, 2021

  • 利用神经网络检测对称性

    本文介绍了一种使用神经网络来识别数据集中对称性的方法，并利用嵌入层的结构来识别对称性是否存在以及在输入中对称性的轨道。通过分析输入中的不变轨道，确定所存在的连续或离散对称群，并使用图表述的方式对完全交空间卡拉比 - 雅莫夫流形进行分类，并发现该方法对于识别输入空间中的离散对称性至关重要。

    Mar, 2020

  • 通过极化匹配卷积学习发现反射对称性

    使用极线匹配卷积技术，通过引入极向特征汇集、自相似编码和不同角度轴的系统内核设计消除了普通卷积神经网络的旋转和对称不变的限制，并通过数据集增强的自监督学习策略，成功地从真实世界的图像中发现对称图案，证明了该方法具有更高的准确性和鲁棒性。

    Aug, 2021

  • 将对称性纳入深度动力学模型中以提高泛化性能

    该研究提出将对称性引入卷积神经网络中，从而提高其在预测物理动态方面的准确性和泛化能力，该方法在实验和理论上都表现出了对分布转换的鲁棒性，并且在雷利 - 贝纳对流和真实世界的海洋表现上比传统方法更优秀。

    Feb, 2020

  • 具有旋转对称性物体的姿态估计

    本文介绍了如何使用旋转对称性来进行姿态估计，提出了一种能够通过训练来识别具有旋转对称性的物体的模型，使用未标记的 CAD 模型数据来提高算法性能，并在新的姿态数据集上测试了算法性能。

    Oct, 2018

  • 人体姿态回归的手性网络

    提出了具有对称性质和数据效率的 Chirality Nets 进行人体姿态估计，表现出了最先进的效果。

    Oct, 2019

  • 用神经网络学习李群对称变换

    本文介绍了一种发现和表征数据集中未知对称性（Lie 群对称）的方法，旨在解决神经网络中进行对称性硬编码的问题，适用于模型选择、生成建模和数据分析等领域。

    Jul, 2023

  • 人类在给予足够时间的情况下，以不常见的姿势识别物体时胜过深度神经网络

    深度学习与人类在几个物体识别基准上的差距正在缩小。在本文中，我们研究了在不寻常视角下观察物体的情况下这个差距。我们发现，与最先进的预训练网络（EfficientNet，SWAG，ViT，SWIN，BEiT，ConvNext）相比，人类在识别不寻常姿势的物体方面表现得更出色。值得注意的是，当我们限制图像暴露时间时，人类的表现下降到深度网络的水平，这表明当人类在不寻常姿势下识别物体时，会进行额外的心理过程（需要额外的时间）。最后，我们对人类和网络的错误模式进行分析，发现即使是时间有限的人类与前馈深度网络也有不相似之处。我们得出结论，需要更多的工作来使计算机视觉系统具备人类视觉系统的鲁棒性。了解额外的观察时间中进行的心理过程的性质可能是获得这种鲁棒性的关键。

    Feb, 2024