CVPRJun, 2018

结构推断网络：利用场景级别上下文和实例级别关系进行目标检测

PDF
TL;DR本研究提出一种基于图结构推理的对象检测算法，同时考虑了对象的视觉外观、场景语境以及对象之间的关系，并将其视为认知和推理问题，通过实验表明，这种方法确实可以提高对象检测的性能。
object detectioncontextual informationstructured informationgraph structure inferencestructure inference network
发现论文，激发创造
  • 使用上下文 - CNN 进行场景分类的对象级上下文建模

    本文介绍一种模型语境感知的深度神经网络，该模型利用 LSTM 单元结合物体提议来捕捉物体和场景之间的关系，并且通过对学习到的特征进行可视化和分析，证明了模型具有很好的语境建模能力。

    May, 2017

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • 通过学习图像描述实现深度结构场景解析

    本文提出了一种基于深度架构的场景理解方法，通过一个卷积神经网络和一个递归神经网络分别提取图像特征和分层物体结构，结合基于描述性语句的弱监督训练，实现场景图像的自动解析，该方法在 PASCAL VOC 2012 数据集上表现出色。

    Apr, 2016

  • 使用标签关系学习结构化推断神经网络

    本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

    Nov, 2015

  • 关注关系网络：将图像映射到场景图

    本研究提出了一种新颖的基于注意力机制的关系网络，其包含两个关键模块和一个目标检测主干以实现场景图自动生成，并在 Visual Genome 数据集上进行了实验验证其有效性和优越性。

    Nov, 2018

  • 目标检测中的上下文推理空间记忆

    本文提出了一种新的时空记忆网络 (Spatial Memory Network) 框架，其中空间记忆将目标实例聚合回代表简单 “图像” 的伪图像表示，易于输入到另一个 ConvNet 中进行目标间上下文推理，使得目标检测性能提高了 2.2％。

    Apr, 2017

  • 从 3D 室内重建学习 3D 语义场景图

    本文提出了一种基于场景图的三维场景理解方法，它将场景中的实体组织成图形式，运用基于 PointNet 和 Graph Convolutional Networks（GCN）的学习方法实现了场景图的回归，并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。

    Apr, 2020

  • 上下文依赖扩散网络用于视觉关系检测

    本文提出了一种基于语义图和视觉场景图构建的上下文相关扩散网络 (CDDN) 框架，用于解决对象之间的关系识别问题。对两个广泛使用的数据集进行的实验表明，所提出的方法更有效，达到了最先进的性能。

    Sep, 2018

  • 语义感知场景识别

    该论文提出了一种基于多模式 CNN 的场景识别新方法，结合图像和上下文信息，通过注意力机制来强化学习和增强场景的辨别能力，实验证明该方法性能超过所有现有的先进方法，并显著减少了网络参数。

    Sep, 2019

  • GraphRelate3D：上下文相关的基于关系图的三维物体检测

    通过引入对象关系模块和图神经网络（GNN），从周围建议中提取空间信息并改进 3D 对象检测，该方法在 KITTI 数据集上相较基准方法 PV-RCNN 在简单、中等和困难难度级别的汽车类上分别提升了 0.82%、0.74% 和 0.58%，在中等和困难难度级别的 BEV AP 上优于基准方法超过 1%。

    May, 2024