May, 2017

通过数据增强来连接计算机视觉和机器人视觉：物体识别案例研究

PDF
TL;DR本文提出了一种简单但有效的数据增强层，以缩小机器人视觉和常规图像分类之间的差距，并在三个不同的基准数据库实验中获得高达 7％的目标识别性能提升。
robot visionconvolutional architecturesdata augmentationobject recognitionvisual experience
发现论文，激发创造
  • 关于场景理解中数据增强的视觉上下文重要性

    在通常正常的数据增量中增加特定任务需求的先验知识，在对象检测语境下，通过利用卷积神经网络来预测图像中可以放置物体的区域，同时仅使用有限的数据集，通过弱监督学习得到显著的提高。

    Sep, 2018

  • 增强现实与计算机视觉：城市驾驶场景的高效数据生成

    本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

    Aug, 2017

  • 室内场景物体检测训练数据的合成

    本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

    Feb, 2017

  • 鲁棒的 RGB-D 物体识别多模态深度学习

    使用卷积神经网络，采用 RGB-D 架构，通过两个不同模式的 CNN 处理流程结合延迟融合网络来识别物体，同时引入多阶段训练方法以及进行数据增强方案，使得处理 RGB-D 图像更加健壮，同时在真实嘈杂环境中取得了最先进的识别结果。

    Jul, 2015

  • 目标识别研究现状：以 iCub 机器人为视角

    本研究通过设计一种数据获取协议，对目前的深度学习方法在机器人视觉中的物体识别效果进行了广泛研究，并介绍了一个新的数据集。研究结果表明，需要知识转移才能提高性能，同时发现了机器人应用中的物体识别问题与图像检索任务之间的主要差异。

    Sep, 2017

  • 图像分类中有效数据增广的遮挡技术

    通过批量数据增强技术中的遮盖作为数据增强手段，在高容量模型上（例如 ResNet50）的图像分类任务中，为提高性能提供了一种简单的技术；同时，可以使用不同数量的遮挡来研究不同神经网络架构的鲁棒性。

    Oct, 2019

  • 建模视觉上下文是扩充物体检测数据集的关键

    本研究旨在通过利用分割注释来增加训练数据中的物体实例数量，通过适当地对物体周围的视觉环境进行建模以在物体所处的正确环境中放置它们，以提高少量标记样本的 VOC'12 基准测试平均精度。

    Jul, 2018

  • 深度学习中的图像数据增强：综述

    本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

    Apr, 2022

  • 使用深度学习进行图像分类中数据增强的有效性

    本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

    Dec, 2017

  • 融合深度卷积网络进行大规模视觉概念分类

    本研究从大数据方面对卷积神经网络进行了分析，并在单个和多个网络模型上提出了有效的融合机制，为大数据从业人员提供了最佳实践，从而在保持计算成本较低的情况下，在基准数据集上取得了最先进的结果。

    Aug, 2016