Jun, 2018

利用卷积神经网络和时间信息进行准确高效的视频去篱操作

PDF
TL;DR该论文提出了一种基于卷积神经网络和光流方法的去围栏算法，以解决围栏分割和摄像机或物体运动等难题，并在多个数据集上的实验结果都表明其在分割和内容恢复方面的性能均达到了最先进水平。
de-fencingimage processingcomputer visionconvolutional neural networksobject recognition
发现论文，激发创造
  • 基于深度学习的图像围栏分割与去除方法 —— 以视频序列为例

    提出了一种基于遮挡感知光流方法的图像去护栏算法，通过将图像去护栏问题划分为从单个图像自动分割栅栏，估计已知遮挡下的运动和来自捕获视频多帧的数据融合等任务，使用预训练的卷积神经网络在单个图像中分割栅栏像素，并为最终数据融合步骤在视频的遮挡帧中估计光流。通过模拟退火算法将去护栏问题建模为优化框架，反问题使用快速迭代收缩阈值算法（FISTA）解决，实验结果表明了该算法的有效性。

    Sep, 2016

  • 视频除栏

    本文提出了一种独特的视频编辑技术，称作视频除栏技术，其利用图像差异的观测和优化像素选取，进行像素恢复和除栏， 并提出了相应的算法和工具，该算法在多个真实世界的除栏视频片段中进行了验证。

    Oct, 2012

  • 利用智能手机实现立体图像除栏功能

    本文提出了一种使用视差及立体图像检测围栏像素、模拟拍摄视频中被挡住的图像帧，以及采用总变差先验正则化的优化方法来进行解围栏图像的方法。

    Dec, 2016

  • 基于两阶段卷积神经网络的背景重构和前景分割

    本文提出了一种端到端的两阶段深度卷积神经网络框架，用于视频序列中的前景分割，该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识，与 CDNet 2014 相比，其性能提高了 4.9％。

    Jul, 2017

  • 透过障碍物学习看见

    本论文利用基于深度学习的方法，通过估计光流场并使用卷积神经网络，从短序列图像中去除窗户反射、栅栏遮挡和雨滴等干扰因素。该方法能够处理一些错误和脆弱假设，并在多个具有挑战性的场景中表现出不错的效果。

    Apr, 2020

  • 使用深度网络进行无人机检测

    本文通过卷积神经网络的端到端目标检测模型，并提出一种通过人为合成数据解决训练数据稀少问题的算法，可以高精度高召回率地解决视频序列中无人机检测问题。

    Jun, 2017

  • 深度自适应计算策略用于高效视觉跟踪

    本研究提出了一种深度自适应的卷积 Siamese 网络，使用参数门控函数控制卷积的深度以平衡跟踪精度和计算成本，在 VOT2016 基准测试上取得了可比较的精度。同时，对比传统的固定结构神经网络，在给定计算成本下取得了更高的精度，该框架可以在卷积神经网络的其他任务中使用，并使运行时的速度与准确性交换。

    Jan, 2018

  • 从视频中学习卷积神经网络中的动作提取

    本文提出了一种卷积神经网络用于从视频中提取密集的光流，旨在为深度架构构建潜在的模块，以允许在视频中使用运动而无需借助外部算法，通过考虑信号处理原则构建网络结构，强制 “旋转不变性”，并提供一种分布式表示运动的方法。

    Jan, 2016

  • 时序锐度先验下级联深度视频去模糊

    本文提出了一种用于视频去模糊的简单而有效的深度卷积神经网络模型，该模型由中间潜在帧的光流估计和潜在帧恢复步骤组成，并开发了时间锐度先验以控制其性能表现。研究结果表明，该算法在基准数据集和实际视频上的表现优于现有的最先进方法。

    Apr, 2020

  • 无监督卷积神经网络用于运动估计

    本文提出了一种基于深度学习的直接运动估计方法，在缺乏大规模数据集的情况下，采用无监督学习的方式训练网络，使用光流约束作为优化代价函数，通过反向传播算法进行误差传递以优化网络，实验证明该方法在合成图像与实际图像序列中的表现都接近于当今最先进的方法。

    Jan, 2016