MMJul, 2018

从火山到玩具店：自适应区域发现场景识别

PDF
TL;DR本文提出了一种自适应的辨别区域发现方法 Adi-Red，用于场景识别，其利用预训练的 CNN 分类器直接发现区分性图像区域，避免引入噪声，同时又不会错过重要信息，在场景识别基准数据集 SUN397 上成绩优于现有技术。
deep learningscene recognitiondiscriminative region discoveryadi-redcnn
发现论文，激发创造
  • 利用深度 CNN 特征提取具有区分性元对象进行场景分类

    本研究介绍了一个基于深度 CNN 特征和区域提议技术的新型 pipeline，旨在从场景图像中提取判别性的视觉对象和局部区域进行分类，经过无监督和弱监督学习从大量高质量的 patches 中筛选出代表特定类别的判别性 objects 和 parts，并为相似 objects 和 parts 聚类形成 meta objects，该方法在两个流行的场景基准数据集上展现了领先水平。

    Oct, 2015

  • 基于显著性引导的快速 R-CNN 细粒度判别定位

    本文提出了一种基于注意力引导下的快速卷积神经网络的判别定位方法，具备同时定位判别区域和编码判别特征的能力，并将其应用于细粒度图像分类任务中，取得了最佳分类准确性和效率。

    Sep, 2017

  • 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

  • ReDAL: 面向区域和多样性感知的点云语义分割主动学习

    提出一种基于区域和多样性感知主动学习 (ReDAL) 的深度学习方法，结合了 softmax 熵、颜色不连续性和结构复杂性等特征，可准确快速地自动选择信息与多样性高的场景子区域进行标注获取，在 S3DIS 和 SemanticKITTI 数据集中只需少于 15% 和 5% 的标注即可实现与全监督学习相当的性能表现。

    Jul, 2021

  • 室内场景识别的物体间判别图建模

    本文提出了一种利用判别性物体知识增强场景特征表示的方法，并通过构建判别性图网络（DGN）以及生成物体场景辨别原型（IODP），将物体知识融入图像表示中，从而在多个常用场景数据集上取得了最先进的结果，证明了该方法的有效性。

    Nov, 2023

  • 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

  • 一个用于稳健异常检测的 “先恢复后分类” 的框架

    通过分析故障案例，揭示了当前异常检测方法未能实现更高识别准确性的原因，并提出了一种新的 Recover-then-Discriminate (ReDi) 框架，通过自动生成的特征图和选择的提示图像来解决问题，该框架在两个挑战性异常检测数据集上实现了最新的准确性。

    Jun, 2024

  • 使用卷积神经网络的语义正则化场景分类器，通过物体理解场景类别

    本研究利用深度学习技术提高了机器人应用中的场景分类能力，通过语义分割对深度神经网络进行正则化，实现了基于对象知识的场景分类，比目前最先进的算法在 SUN RGB-D 数据集中获得了更好的表现，同时使语义分割性能达到了新的记录，并将算法成功应用于移动机器人捕捉的图像场景分类中。

    Sep, 2015

  • 当 CNN 遇到随机 RNN: 多层次 RGB-D 物体和场景识别分析

    本文提出了一个使用 RGB-D 图像进行对象和场景识别的新方法，使用深度神经网络取代手工特征提取器，并利用卷积神经网络提取的视觉特征和递归神经网络高效转换为高级别特征，通过软投票方法进行多模态融合来实现一致的分类结果，实验结果表明该方法在对象和场景识别任务中均取得了卓越或同等水平的性能。

    Apr, 2020

  • 跨域多模态 RGB-D 场景识别

    本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

    Mar, 2021