同时边缘对齐和学习
本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习,以逐步学习出最适合面部识别任务的几何变换和适当的面部区域,从而达到高精度面部识别的目的。
Jan, 2017
该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法,利用深度学习及在线难样本挖掘等技术,在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。
Apr, 2016
通过开发基于协作学习的模型 PEdger,我们试图解决边缘检测中的深度学习模型计算成本大、模型尺寸大、噪声标注和不准确性等问题,并通过大量实验证明了其在准确性、速度和模型尺寸方面的优越性。
Aug, 2023
该研究提出了一种名为 EGNet 的边缘引导网络,它结合了显著边缘信息和显著物体信息,实现了更加精确的物体边缘定位。结果显示,该方法在六个广泛使用的数据集上表现优异,无需进行预处理和后处理。
Aug, 2019
本文提出了部分对齐的图卷积网络模型,旨在通过模型共享,正则化以及对齐重建等多种方法在多个图模型中学习节点表示,并在现实世界的知识图谱和协作网络中进行了广泛实验,证明了该方法在关系分类和链接预测等任务上的卓越表现。
Jun, 2021
在深度卷积神经网络中,通过设计全局 - 局部对齐关注(GAA)网络和边缘侵蚀的深度监督策略,减少了插值对特征和标签的负面影响,相比现有方法,在五个常用数据集上实现了更好的结果。
Nov, 2023
本文提出了一种基于 ResNet 和新的 skip-layer 架构的端到端深度语义边缘学习体系结构,来解决类别感知的多标签问题, 它将边缘像素与两个或多个语义类别相关联,以捕捉轮廓或接合处的语义信息,并且采用多标签损失函数监督融合活性度, 在 SBD 和 Cityscapes 等标准数据集上,我们证明了该方法尤其有效,超越了当前最先进的语义边缘检测方法。
May, 2017
本文提出了一种基于卷积神经网络的联合学习方法,以在语义相似的图像中获得稠密对应和发现对象地标,在解决训练数据不足方面取得了显著成效,并引入了概率学习方法以提高框架的稳健性,该方法在语义匹配和地标检测的多个标准基准测试中取得了最新的最佳表现。
Oct, 2019
本文提出了一种基于图卷积网络的可学习的人脸聚类框架,通过用两个图卷积网络分别估计节点置信度和边的连通性,实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验,证明了该方法显著提高了聚类准确性,并在不损失性能的情况下大幅提升了识别模型的计算效率。
Apr, 2020
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