Mar, 2018

对抗训练用于恶劣条件下的度量稳健定位：基于外观迁移的方法

PDF
TL;DR本文提出了一种通过学习可逆的生成器将图像从一种条件转换到另一种的方法，以此改善在外观强烈变化的情况下的视觉场所识别和度量本地化效果，并基于 SURF 检测器和密集描述符映射的新损失进行特征匹配。数据测试表明，这种方法能够在减少映射运行次数的同时，在多种环境下显著提高地点识别和定位的效果。
发现论文，激发创造
  • 通过对抗性域自适应解决户外机器人外观变化问题

    天气和季节变化对机器学习在户外机器人系统中的稳定实现产生了强烈的阻碍，为了解决这个问题，本文提出了一种以对抗技术为基础的无监督领域自适应框架，并应用于自动驾驶中解决自由空间分割问题。

    Mar, 2017

  • DASGIL: 面向语义和几何感知的基于图像的领域自适应定位

    本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

    Oct, 2020

  • 可转移的对抗性攻击图像篡改定位

    本文提出了一种对现有数字图像篡改定位算法进行真实世界应用安全性评估的对抗性攻击方案，通过基于优化和梯度的敌对示例的白盒和黑盒攻击来揭示这种篡改定位器的可靠性，从而准确预测篡改区域并保持高视觉质量的同时，大大降低了定位精度。

    Sep, 2023

  • 恶劣天气下的视觉：利用 CycleGAN 和各种目标检测器进行增强，实现自主赛车中的鲁棒感知

    通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

    Jan, 2022

  • 外观机器人自我定位的机器学习

    机器人根据外观自我定位的问题，我们提出了一种基于流形学习和深度学习技术的新的几何动机解决方案，包括估计机器人定位映射和 Kalman 滤波问题的反向映射。

    Jun, 2017

  • 如何训练一只猫：学习规范外貌变换以实现光照变化下的直接视觉定位

    本文介绍了使用卷积编码 - 解码模型提升直接视觉定位的鲁棒性，通过使用高保真度的合成 RGB-D 数据集及自然环境下的数据集，成功实现时间变化条件下的 VO 精度提高及光照变化情况下完善的指标重定位，并在定位的环境下进行了合成到真实场景的迁移学习。

    Sep, 2017

  • 用于数据高效的视觉地点识别的回归变换器

    通过将地点识别视为回归问题，使用相机视野重叠作为相似性标准进行学习，使图像描述符与评级相似性标签直接对齐，提高排名能力，同时节省昂贵的重排操作，实现了高效数据训练和在多个基准数据集上的强大泛化。

    Jan, 2024

  • 姿态估计回归的对抗转移

    我们提出了一种基于迁移学习和领域自适应技术的深度适应网络，通过自监督学习获取具有场景不变性的图像表示，并将其用于摄像机姿态估计中。在 Cambridge Landmarks 和 7Scene 上的评估表明，该网络优于几个基线，并与最先进的方法进行了比较。

    Jun, 2020

  • 增强基于视觉的敏捷飞行中的稳健场景转换的对比学习

    本文提出一种自适应多对比学习策略，用于视觉表示学习，实现了零样本场景转换和真实世界的部署。实验证明，该方法在航空器视觉导航领域的性能超过了所有其他基线模型。

    Sep, 2023

  • 对抗性增强训练使行动识别模型更能适应现实视频分布的变化

    提出了两种新的评估方法来评估模型对训练和测试数据之间的分布差异的鲁棒性，通过采用梯度上升在数据增强参数上生成对分类模型具有挑战性的视频视图的增强视图，并通过 ' 课程 ' 调度视频增强的强度来解决鲁棒性问题。在现实世界的应用中，通过对比基准，在三种最先进的动作识别模型 - TSM、Video Swin Transformer 和 Uniformer 上实验表明了所提出的对抗性增强方法的优越性能，从而提高了视频动作识别性能。

    Jan, 2024