GONet:一种用于遍历能力估计的半监督深度学习方法
本文介绍了一种新颖的网络训练方法和学习目标,采用深度生成对抗网络以及新的相似度度量方法,用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN,以实现对应用的提高和优化。
Nov, 2017
通过一个高效的 Generative Adversarial Transfomer (GATrans),采用深度学习方法和全局变换网络(GTNet)来实现高精度语义分割,在保持极高效率的同时,通过多层特征提取和结构相似性损失函数优化,获得了 90.17% 的平均 F1 得分和 91.92% 的总体准确率。
Oct, 2023
本研究提出了一种改进的语义分割模型,将对抗学习的优势与最先进的语义分割技术相结合,以捕捉交通图像中复杂而微妙的特征,通过在道路裂缝数据集上与现有方法(如 SEGAN)相比的显著性能提升来证明方法的有效性,提供了更精细和准确的道路结构和状况的表示,为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。
Oct, 2023
本研究提出了 Goal-GAN,这是一个可解释性且可端到端训练的模型,用于人类轨迹预测,并通过将轨迹预测的任务建模为直观的两阶段过程:目标估计和路由模块,来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景,来估计可能的目标位置的多模态概率分布,并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务,该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明,我们的方法在多个基准测试中建立了一个新的最先进模型,并能够生成符合物理约束的逼真且多样化的轨迹集合。
Oct, 2020
GeONet 是一个适用于实时预测的深度神经网络,它通过学习非线性映射来连接 Wasserstein 距离和 geodesic,从而比传统的基于网格的方法具有更高的准确性和更少的计算成本。
Sep, 2022
通过使用依身视觉视频和自动标注过程来训练语义可通行性估计器的有效方法,在多个国家和城市拍摄的视频进行的广泛实验表明,所提议的注释方法具有高可扩展性和普适性,而经过训练的语义可通行性估计器具有高准确性,能处理多样的摄像机观点,计算量小且适用于实际场景。
Jun, 2024
本篇论文提出了一种名为 Spider GAN 的生成对抗网络训练方法,通过识别相关数据集或目标分布的 “友好邻居” 来建立图像结构,使用新的测量方式 Signed Inception Distance (SID) 来定义 friendly neighborhoods,实现了传输学习并取得了最先进的 Frechet inception distance (FID) 值。
May, 2023
本论文提出了一种名为 FGGAN 的端到端网络,通过从多视角图像中隐式学习几何变换的方式来学习判别性表征,进而解决精细图像检索中由于姿态变化造成的难点;该网络使用生成式对抗网络(GAN)自动处理复杂视角和姿态的差异,并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像,与基线相比实现了 10% 的相对改进。
Jul, 2018