CVPRSep, 2017

面向摄像机 （camera） 重定位的 CNN 地图表示和压缩

PDF
TL;DR本文研究了使用卷基层神经网络进行相机定位的方法，并应用于地图压缩。在不牺牲重定位性能的前提下，我们使用较小的 CNN 体系结构，引入基于 CNN 的地图压缩的概念。我们在一系列公开可用的数据集上评估了这种方法，并通过增加训练轨迹的数量来提高重定位精度，同时保持 CNN 的固定大小。
convolutional neural networkscamera relocalisationmap compressioncnn architecturestraining trajectories
发现论文，激发创造
  • 使用卷积神经网络计算两两相对姿态实现摄像机重定位

    本文提出了一种基于深度学习的摄像机再定位方法，通过卷积神经网络检索相似的数据库图像，并预测查询图像与数据库图像之间的相对姿态，使用 RANSAC 算法进行相对平移估计，并使用第二个 RANSAC 方案将相对姿态融合；此外，作者提出了一个涵盖 5 种不同场景的挑战性室内定位数据集，并在标准的 7 Scenes 测试基准上对方法进行了评估，结果表明该方法适用于之前未见过的场景，并与其他基于 CNN 的最新方法相比效果优异。

    Jul, 2017

  • 通过压缩二进制图学习定位

    针对现有定位系统在大型环境中需要的内存存储问题，本文提出学习压缩地图表达以达到最优定位任务的目的，实验结果表明可以通过学习任务特定的压缩，将存储要求降低两个数量级，而不降低定位准确性

    Dec, 2020

  • 基于卷积神经网络的端到端压缩框架

    本文提出了基于卷积神经网络的图像压缩框架，其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN，开发了一种统一的端到端学习算法以有效协同两种 CNN，并与现有的图像编码标准兼容。实验结果表明，所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。

    Aug, 2017

  • 使用 LSTM 进行基于图像定位的结构化特征相关性

    本研究提出了一种新的基于 CNN+LSTM 的摄像机姿态回归方法，该方法针对室内和室外场景，并且通过 CNN 可学习适合的特征表征来进行定位，使用 LSTM 作为特征向量的结构化降维方法，在定位性能方面取得了极大的改善，并针对基于 CNN 和 SIFT 的定位方法进行了广泛的定量比较，还提出了一种新的基于激光扫描的大型室内数据集，实验结果表明，我们的方法在定位图像时性能优于现有的深度体系结构，在具有挑战性的环境下都能够成功定位。

    Nov, 2016

  • 几何感知学习用于相机定位的地图

    提出了一种名为 MapNet 的深度神经网络，它将地图表示为一种数据驱动的方式，利用视觉里程计和 GPS 等常见的传感器数据来建立约束关系，从而提高相机定位的精确度和实现自监督式更新。在室内和室外数据集上进行的实验表明，该方法相较于之前的工作在性能上有了显著的提高。

    Dec, 2017

  • 视频人员再识别的紧凑外貌表示学习

    本文介绍了使用多个卷积神经网络的视频人物重新识别的新方法，利用步态对连续帧进行筛选选取代表帧，利用特征池化提取特征进行身份鉴定的紧凑描述，实验证明该方法比现有方法更优。

    Feb, 2017

  • 基于样本核心集的神经网络压缩

    通过 Coreset 滤波器表示法，我们提出了一种 CNN 压缩算法，不需重新训练，易于实现，在量化和 Huffman 编码的支持下，训练出的网络可以在提供 AlexNet 精度的同时，内存占用只有原始 AlexNet 的 832 分之一，同时还能显著减少推理时间。此外，经过 Fine-Tune 后，这些压缩网络也能成功推广到其他领域。

    Jul, 2018

  • 基于卷积神经网络的地点识别

    本文介绍了一种基于 CNN 模型的场所识别技术，在空间和时间维度上使用组合得到 CNN 模型的强大特征，并应用于一些基准数据集进行评估，该技术在召回率上取得了 75％的提升和 100％精度，明显优于之前所有的最新技术。在本文中，还对所有 21 个层的特征进行了全面的性能比较，包括基准数据集和一个具有更大视角变化的第二个数据集。

    Nov, 2014

  • 使用深度卷积网络的语义感知图像压缩

    应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题，通过训练一个特定的卷积神经网络，实现对图像语义的理解，并通过对每个对象训练特征的方式生成高质量的压缩图像。

    Dec, 2016

  • 利用简化 CNN 对视频编码中的非局部冗余进行提升

    该研究旨在利用卷积神经网络及非局部冗余优化视频压缩，达到与预处理去噪 CNN 类似的编码增益，同时只需要约为 1% 的计算复杂度，适用于资源受限的条件下进行视频压缩。

    Oct, 2019