Mar, 2018

GONet：一种用于遍历能力估计的半监督深度学习方法

PDF
TL;DR我们提出了 GONet 的半监督深度学习方法，它使用生成对抗网络对鱼眼图像进行遍历估计，这使得移动机器人能够在实时操作中使用快速而内存效率高的方法进行遍历估计，并在新数据集上优于现有的基线方法。
发现论文，激发创造
  • 通过生成对抗和排序网络进行弱监督目标发现

    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

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 高效遥感分割的生成对抗变换器

    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

  • 基于 GAN 的深度监督语义分割方法

    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

  • 从模拟中学习地面可通行性

    该研究论文介绍了一种基于卷积神经网络的高程图分类方法，在模拟环境中训练唯一的分类器来预测机器人在不同地形上的通过性，并在室内和室外环境中进行真实机器人验证。

    Sep, 2017

  • Goal-GAN: 基于目标位置估计的多模态轨迹预测

    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: 用于学习 Wasserstein 测地线的神经算子

    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

  • 利用以自我的视角的视频和自动化注释策略学习语义可行性

    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

  • Spider GAN：利用友好邻居加速 GAN 训练

    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

  • 细粒度图像搜索的对抗学习

    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