Oct, 2018

CURE-OR：用于物体识别的虚实环境挑战

PDF
TL;DR本文介绍了一个大规模、受控制的、多平台物体识别数据集，命名为 CURE-OR。该数据集用于测试 Amazon Rekognition 和 Microsoft Azure Computer Vision 的性能，并显示它们在具有挑战性的条件下的性能显着降低。此外，作者还研究了物体识别和图像质量之间的关系，并表明，客观质量算法可以在某些光度挑战性条件下估计识别性能。
发现论文，激发创造
  • CURE-TSR: 面向交通标志识别挑战虚拟和真实环境

    研究交通标志识别算法在挑战性条件下的鲁棒性，并构建了基于真实世界和模拟数据的 CURE-TSR 数据集，分析了现有解决方案在真实世界场景下的性能，并显示出挑战性条件会显著降低基线方法的性能。此外，我们还调查了数据增强的效果，并表明与真实世界数据一起利用模拟数据可以增强真实世界场景中的平均识别性能。

    Dec, 2017

  • ORBIT: 用于可教的物体识别的现实世界少样本数据集

    通过发布 ORBIT 数据集和基准测试结果，本研究展示了通过少量见例子的学习，实现物品识别这一具备良好应用前景的任务在现实场景中的挑战和机会，并在此基础上提出了具有挑战性的测试基准，为解决此问题提供研究奠定了基础。

    Apr, 2021

  • 斯坦福 - ORB: 三维物体逆向渲染实际世界基准

    我们引入了 Stanford-ORB，一个新的真实世界的 3D 物体逆向渲染基准。我们通过提供一个新的真实世界的数据集，并使用该数据集建立了首个全面的真实世界评估基准，评估对象逆向渲染任务在野外场景的性能，并比较了各种现有方法的表现。

    Oct, 2023

  • Care3D：真实机器人护理环境下的主动三维物体检测数据集

    为了解决劳动力短缺对卫生部门的影响，本研究提供了一个真实环境的数据集，用于开发辅助机器人及进行 3D 物体检测，同时提供一个房间内的真实数据来评估直接在卫生机器人上运行的 SLAM 算法。

    Oct, 2023

  • 用于多视角三维重建的现实数据集

    本文介绍了一种包含近千个三维对象模型及超过 84 万个现实世界的 RGB 和深度图像数据集，旨在填补现有研究中缺乏的三维多视图重建的真实数据基准。该数据集通过半自动方式实现相机位置与物体姿态的精准标注，为形状重建、物体姿态估计、形状检索等 3D 应用提供了可能。数据集已开放，包含注释工具和评估基准源代码。

    Mar, 2022

  • 光学遥感图像中的目标检测：调查和新基准

    本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即 DIOR 数据集，其可帮助研究人员开发和验证数据驱动的方法。

    Aug, 2019

  • PUG：用于表征学习的逼真且语义可控的合成数据

    通过使用虚拟图像数据集（即合成图像数据集），本研究通过使用虚拟图像数据集的控制性和真实性，提出了一种使视觉模型能够进行更严格评估的途径，为表征学习研究开发了新一代的交互式环境和数据集。

    Aug, 2023

  • OOD-CV: 自然图像个体干扰鲁棒性的离群分布偏移基准

    本文引入 OOD-CV 数据集，并发现某些干扰因素有更强烈的负面影响；当前的提高鲁棒性的方法只有微弱的效果，甚至可能削弱鲁棒性；我们的数据集提供了一个丰富的测试床，以研究鲁棒性，并有助于推进这一领域的研究。

    Nov, 2021

  • 无约束耳朵识别挑战赛

    本文介绍了耳朵识别方案 UERC (Unconstrained Ear Recognition Challenge) 的结果，包括集中于未受控制条件下从耳图像中识别人的问题，挑战的目标是评估现有的耳识别技术在具有挑战性的大规模数据集上的性能，并识别未来需要解决的开放问题。

    Aug, 2017

  • 常见三维物体：大规模学习和评估真实场景下的 3D 类别重建

    该研究提供了一种名为 CO3D 的大规模数据集，其中包含了 50 种 MS-COCO 类别的近 19,000 个视频，共计 1.5 百万帧真实的多视角图像，带有相机姿态和地面真实 3D 点云的注释，并利用该数据集进行了新视角综合和类别为中心的 3D 重建方法的大规模 “野外” 评估，并提出了一种基于 Transformer 的新型神经渲染方法 NerFormer，可根据物体的少数视角重建整个物体。

    Sep, 2021