Mar, 2018

基于深度感知的 RGB-D 分割卷积神经网络

PDF
TL;DR本文提出一种 Depth-aware CNN 方法，通过引入深度感知卷积和深度感知平均池化两种直观、灵活、有效的操作，将几何信息无缝地融入 CNN 中，从而解决了 CNN 在处理几何信息上的限制问题，并且在具有挑战性的 RGB-D 语义分割基准测试上进行的广泛实验和消融研究证实了该方法的有效性和灵活性。
convolutional neural networksrgb-d semantic segmentationdepth-aware cnndepth-aware convolutiondepth-aware average pooling
发现论文，激发创造
  • 学习有效的 RGB-D 场景识别表示

    该研究介绍一种基于深度学习的 RGB-D 场景识别方法，提出了一种深度学习模型训练的两步骤方法和一种新的 RGB-D 视频数据集，实现了在 RGB-D 图像 (NYUD2 和 SUN RGB-D) 和视频 (ISIA RGB-D) 场景识别方面的最优表现。

    Sep, 2018

  • 基于深度 CNN 的 RGB-D 场景识别：从零开始学习优于从 RGB-CNN 转移

    本研究利用卷积神经网络和弱监督方法，提出了一种能够在有限深度图像条件下学习具有较强区分性的深度特征，从而实现了 RGB-D 场景识别的最新成果，达到了最好的表现。

    Jan, 2018

  • 使用 CNN 处理稀疏和密集数据：深度补全和语义分割

    该论文介绍了一种处理稀疏深度数据的方法，它可以完成深度补全和语义分割，且具有网络鲁棒性，适用于包括 8 层雷达在内的密度极低的场景，并在 KITTI 深度补全基准测试中表现出优越性能。

    Aug, 2018

  • 室内语义分割使用深度信息

    采用多尺度卷积神经网络直接从图像和深度信息中学习特征实现室内场景的多类别分割，并在 NYU-v2 深度数据集上取得了 64.5% 的准确率，充分说明了适当的硬件（如 FPGA）可以实现实时处理。

    Jan, 2013

  • 使用深度卷积网络进行联合语义分割和深度估计

    本研究采用多尺度卷积神经网络，提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型，该模型采用单一损失函数进行训练，同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用，实现更精确的结果。在 NYUDepth V2 数据集上进行实验，该模型在语义分割方面表现优于最先进方法，在深度估计任务上实现可比较的结果。

    Apr, 2016

  • SurfConv: 为 RGBD 图像建立 3D 和 2D 卷积之桥

    本文提出使用 SurfConv 作为一种新型的深度学习算法，可以有效地解决在 3D 图像中使用卷积神经网络在尺度上变化和浪费空间等问题，通过新的数据驱动深度离散化方案（D4），在室内和室外 3D 语义分割数据集上获得了超越 3D 卷积方法并使用不到 30％的参数的最先进性能。

    Dec, 2018

  • ShapeConv: 针对室内 RGB-D 语义分割的形状感知卷积层

    本文提出了一种新的深度学习卷积方法 ShapeConv，用于处理三维点云数据的语义分割问题，该方法将深度特征分解成形状和基础两个部分进行卷积操作，不仅有效提高了分类的准确性，而且不会增加计算和存储成本。

    Aug, 2021

  • 基于多模态注意力融合的 RGB - 深度图像语义分割模型

    本文提出了一种有效的编码器 - 解码器模型和基于注意力的融合模块，以集成 RGB-Depth 图像的特征，从而提高语义分割的精度和计算效率。实验结果表明，该模型在计算成本和模型大小方面大大超越了现有的最先进模型，并且在准确性方面具有良好的性能。

    Dec, 2019

  • 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

  • 面向高效 RGB-D 语义分割的空间信息引导自适应上下文感知网络

    提出了一种有效的轻量级编码器 - 解码器网络以及其他相关模块，用于在移动机器人中进行 RGB-D 语义分割，通过跨模态相关性和补充线索可以准确提取多层次 RGB-D 特征，实验结果表明该方法在分割准确性、推理时间和参数方面具有更好的权衡。

    Aug, 2023