ECCVJul, 2018

PARN: 金字塔仿射回归网络用于密集语义对应

PDF
TL;DR本文提出了一种基于金字塔的仿射回归网络 (PARN) 的深度体系结构，用于估计图像间的局部可变仿射变换场，实现在深度网络中粗到细的密集 affine 变换场估计。我们提出了一种新的弱监督训练方案，利用图像对之间的对应关系来生成渐进式监督，并将其应用于我们的 PARN 模型。尽管 PARN 仅在有限的监督下进行训练，但实验结果显示在各种基准测试中，PARN 的性能优于现有方法。
发现论文，激发创造
  • PARN: 面向少样本学习的位置感知关系网络

    本文提出了一种基于位置感知的关系网络（PARN）来学习更灵活和强韧的测度能力，以解决 few-shot learning 中的问题。通过引入可变形特征提取器（DFE）和设计双相关性注意力机制（DCA），成功地使我们的方法能够知道语义对象的位置，并在多个基准数据集上取得最先进的表现。

    Sep, 2019

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 面向单目深度估计的结构感知残差金字塔网络

    该论文提出了一种基于多尺度结构的单目深度估计方法，即结构感知残差金字塔网络（SARPN）。在该网络中，采用残差金字塔解码器来表达全局场景结构和局部形态细节，以及残差细化模块来预测残差图，同时采取自适应稠密特征融合模块来利用来自所有尺度的有效特征。实验结果表明，该方法在 NYU - 深度 v2 数据集上高效实用，达到了最先进的性能。

    Jul, 2019

  • 弱监督指代消解的自适应重建网络

    本文提出了一种使用自适应重建网络 (ARN) 解决弱监督引用表达地面问题的方法，该模型使用分层注意模型计算每个提案和查询之间的匹配分数，并采用语言重建损失、自适应重建损失和属性分类损失协同重建输入查询，实验证明 ARN 比现有的最新方法在四个大型数据集上表现更好，并能更好地处理特定类别的多个对象位于一起的情况。

    Aug, 2019

  • 自适应邻域一致性的通信网络

    本研究介绍了一种使用自适应邻域一致性网络（ANC-Net）的卷积神经网络架构，用于解决同类别物体图像之间生成密集视觉对应的任务。该方法通过非各向同性的四维卷积核，多尺度自相似性模块和正交损失来实现稠密匹配，并在各种基准测试中优于现有的最先进方法。

    Mar, 2020

  • 端到端弱监督语义对齐

    本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法，该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习，并从几何上一致的对应关系计算对齐质量，达到了基于多个标准基准的语义对齐的最先进表现。

    Dec, 2017

  • 弱监督 2D 点集配准的语义匹配

    本文提出了一种卷积神经网络的方法来处理物体相同实例之间的对应关系问题，定义了一个新的基于循环一致性的损失函数来解决 2D 点集的注册问题，并在 Proposal-Flow（PF-PASCAL）数据集上进行了训练和测试，取得了最先进的结果。

    Jan, 2019

  • 多视角 3D 物体检测的像素对齐循环查询

    PARQ 是一个多视角的 3D 物体检测器，通过使用 transformer 和像素对齐的循环查询，利用外观增强的查询从 3D 空间的参考点初始化，并通过循环交叉注意操作更新其 3D 位置，从而获得更好的检测性能和较高的鲁棒性。

    Oct, 2023

  • 用于语义对应的循环变压器网络

    本文提出了利用循环变压器网络（RTNs）对语义相似图像进行密集对应的方法，在迭代过程中估计图像间的空间变换，以及使用这些变换来生成对齐的卷积激活，通过直接估算两幅图像间的变换，而非独立正则化每个图像，我们证明了更高的精度可以得到，同时使用一种基于提出的分类损失的弱监督训练技术。利用 RTNs，在语义对应的多个基准测试中，实现了最先进的性能。

    Oct, 2018

  • 学习特征金字塔以进行人体姿势估计

    本文提出了用金字塔残差模块来增强深度卷积神经网络的规模不变性，结合多分支网络设计权重初始化方法来在人体姿态估计任务上取得最新的最优结果。

    Aug, 2017