人脸识别的配对关系网络
提出了一种新的人脸识别方法,称为对比关系网络,该网络利用特征图上地标点周围的局部外观特征,捕捉相同身份的独特对比关系和不同身份之间的有区别性的对比关系,并通过添加面部身份状态特征来进一步提高准确性。
Nov, 2018
本论文提出了一种名为 AFRN 的人脸识别方法,它是通过考虑注意力分数来表示本地外观块特征的相关配对,以增加准确性并通过使用双线性注意力网络提取联合特征 - 对关系。在实验中,该方法在诸多数据集上的表现均超越了现有的最先进的方法。
Aug, 2019
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
通过创新的关系表示学习方法,同时关注个体内在特征和图像补丁特征之间的关系,构建了一种轻量级的关系表示学习网络(RRL-Net),包括自动编码器、特征交互学习模块、多维全局到局部注意力机制以及基于注意力的轻量级特征提取网络。经过大量实验验证,该网络在多个公共数据集上取得了最先进的性能。
Mar, 2024
本研究旨在研究是否可以从生活场景中的人脸图像中对人际关系进行细分和高水平特征的表征和量化,并提出了一种采用深度网络架构来识别面部表情的方法,以预测人际关系,并展示出了良好的实验结果。
Sep, 2016
本文提出了一种空间 - 时间关系推理网络 (STRRN) 的方法,用于研究视频中全方位监督的人脸对齐问题,该方法利用大规模无标注视频和可用的带标注数据生成辅助训练注释,自动推理人脸关键点间的关系以稳定面部跟踪,实验结果证明其性能优于现有的大多全监督艺术状态。
Dec, 2019
本文提出了一种并行、基于区域配对的全卷积网络(PPR-FCN)来解决一种新的视觉任务:弱监督视觉关系检测(WSVRD),以检测图像中的主谓宾关系,其中仅具有图像级别的对象关系地面实况。与弱监督对象检测(WSOD)问题相比,WSVRD 更为具有挑战性,因为它需要检查一大组地区对,这在计算上是禁止的,更容易堵塞在局部最优解中,例如那些涉及错误的空间上下文。
Aug, 2017
本文提出了一种基于数据驱动的方法来解决点云配准问题,通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索,然后通过假设和验证算法来快速使用预测进行对齐,实验表明这种方法在点云配准问题上的表现超过了现有技术。
Apr, 2019
本文提出了一种 IFRP 方法,结合了 SRN 和 DN 网络,通过 STN 自动矫正艺术肖像图像的定位问题,并使用 FaceNet 网络检测提取人脸特征,从而实现从不对齐的肖像中恢复出保留主体身份的高质量真实面部图像。
Apr, 2019
在组织学图像计算辅助诊断中,准确自动地分割腺体是重要且具有挑战性的任务。本文提出了一种基于成对关系的半监督模型,用于组织学图像中的腺体分割。该模型利用标记数据训练分割网络和成对关系网络,并通过成对图像中的语义一致性增强其图像表示能力。模型中的对象级 Dice 损失可解决腺体接触等问题。在 GlaS 和 CRAG 数据集上的实验结果表明,该模型在腺体分割方面具有最先进的性能。
Aug, 2020