基于深度卷积神经网络的开放式多任务学习
本文提出一种基于卷积神经网络和语义分割的目标检测系统,利用迭代定位机制,通过高效运用模块来检测物体,并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。
May, 2015
本研究采用多尺度卷积神经网络,提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型,该模型采用单一损失函数进行训练,同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用,实现更精确的结果。在 NYUDepth V2 数据集上进行实验,该模型在语义分割方面表现优于最先进方法,在深度估计任务上实现可比较的结果。
Apr, 2016
使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异,且代码已经公开发布。
Nov, 2016
该论文提出了一种基于多模式 CNN 的场景识别新方法,结合图像和上下文信息,通过注意力机制来强化学习和增强场景的辨别能力,实验证明该方法性能超过所有现有的先进方法,并显著减少了网络参数。
Sep, 2019
本论文提出了一种联合多任务网络设计,用于同时学习目标检测和语义分割,以实现低功耗嵌入式 SOC 上的实时性能,并在两个公共数据集(KITTI,Cityscapes)和私人鱼眼相机数据集中评估提出的网络。
Jan, 2019
本文研究了使用深度完全卷积神经网络(DFCNN)对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练,并研究了不同的准确语义分割方法。作者提出以下贡献:1)作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域;2)作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合;3)作者使用残差校正对异构传感器(光学和激光)的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。
Sep, 2016
本研究提出基于卷积神经网络的物体检测系统,使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位,实验证明两种方法的结合优于先前的最先进方法。
Apr, 2015
本研究提出了一个名为 WHU 的合成航空数据集,该数据集是首个大规模的多视角航空数据集,并介绍了一种名为 RED-Net 的新型神经网络,专门用于高精度的三维地球表面重建。通过实验,我们证实了该方法的性能和效率,在减少内存和计算成本的同时,使 MAE 提高了 50%以上,并且比传统方法的一些最佳商业软件的效率提高了 16 倍。
Mar, 2020