NM-Net: 挖掘可靠邻居以获取强健的特征对应
本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法,使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型,只需要弱监督的成对图像匹配信息进行训练。最后,该方法在类别匹配和实例级匹配任务中均取得了最优结果。
Oct, 2018
本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系,并且利用稀疏可靠特征匹配而非优化所有成对对应关系,同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异,同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。
Nov, 2017
通过采用邻域共识网络并对其进行修改,运用 4DCNN 和稀疏卷积,提高了图像间的精确本地化对应关系,同时在 HPatches Sequences 以及 InLoc 视觉本地化基准中达到最先进的结果。
Apr, 2020
研究了利用自然信号的自相似性进行非局部方法,提出了一种对 KNN 选择规则进行连续确定性松弛的方法,即通过温度参数逐渐接近零将原始 KNN 保持为极限,利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中,并展示了其在图像恢复等任务中的有效性。
Oct, 2018
本研究介绍了一种使用自适应邻域一致性网络(ANC-Net)的卷积神经网络架构,用于解决同类别物体图像之间生成密集视觉对应的任务。该方法通过非各向同性的四维卷积核,多尺度自相似性模块和正交损失来实现稠密匹配,并在各种基准测试中优于现有的最先进方法。
Mar, 2020
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
本文介绍了一种名为 Neighborhood Matching Network 的实体对齐框架,利用图采样和交叉图邻域匹配模块来建立实体对齐方面的表示。该方法可以有效地估计更复杂的邻域相似度,并在三个实体对齐数据集上显著优于 12 种现有的最先进方法。
May, 2020
引入基于邻居对应匹配算法的视频帧合成方法,通过多尺度空间 - 时间邻域建立简化多运动场景中的帧间插值问题,并应用于视频压缩等实际场景,取得了最佳效果。
Jul, 2022
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021