Apr, 2017

AnchorNet: 一个弱监督的网络，用于学习对几何敏感的特征进行语义匹配

PDF
TL;DR本文提出了一种深度网络 AnchorNet，它通过一组过滤器产生了对物体结构的信息，从而在语义匹配方面取得了令人满意的结果，尤其在不同实例和不同物体类别之间的匹配方面。
deep learningsemantic matchinganchornetobject structurecross-instance matching
发现论文，激发创造
  • 端到端弱监督语义对齐

    本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法，该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习，并从几何上一致的对应关系计算对齐质量，达到了基于多个标准基准的语义对齐的最先进表现。

    Dec, 2017

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • WarpNet: 单视角重建的弱监督匹配

    该研究提出了一种利用深度学习的 WarpNet 架构匹配局部未注释的微粒级细节图像数据集中物体的方法，可以在外观、视角和关节角度变化的情况下进行单视图重构。

    Apr, 2016

  • SFNet: 学习物体感知的语义对应性

    通过使用二进制前景蒙版和几何变形训练卷积神经网络（CNN）实现语义对应的密集流场，提出了一种新的 CNN 框架 SFNet，并在各项基准测试中表现出比现有方案更好的泛化性能。

    Apr, 2019

  • 利用对象级先验学习语义对应关系

    研究使用二进制前景掩码并经过合成几何变形的图像来训练卷积神经网络（CNN），以解决语义对应问题，提出了一种新的 CNN 体系结构（称为 SFNet），其实现了这一想法，并展示了在标准基准测试中明显优于现有技术的实验结果。

    Nov, 2019

  • SCNet：学习语义对应性

    本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

    May, 2017

  • 自适应邻域一致性的通信网络

    本研究介绍了一种使用自适应邻域一致性网络（ANC-Net）的卷积神经网络架构，用于解决同类别物体图像之间生成密集视觉对应的任务。该方法通过非各向同性的四维卷积核，多尺度自相似性模块和正交损失来实现稠密匹配，并在各种基准测试中优于现有的最先进方法。

    Mar, 2020

  • FreeAnchor：学习匹配锚点以进行视觉目标检测

    本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制，更新手工制定的锚点分配为自由的锚点匹配，并通过最大似然估计（MLE）过程来实现检测器训练。该方法通过优化检测有效似然来实现，可以与基于 CNN 的检测器插入并组合使用，实验结果表明，FreeAnchor 在 COCO 数据集上表现优异。

    Sep, 2019

  • 邻域共识网络

    本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

    Oct, 2018

  • 通过概率内省进行几何稳定特征的自监督学习

    本文介绍了自监督学习在减少人工标注数据用于训练深度神经网络方面的应用，并指出了该方法对于几何定向任务，如语义匹配和部件检测的可扩展性，同时展示了自监督预训练网络在学习语义对象部件方面相较于其它预训练选项所需较少的监督，并且这种预训练对于语义对象匹配非常优秀。

    Apr, 2018