Apr, 2019

使用动态间隔的三重损失函数进行三维物体实例识别和姿态估计

PDF
TL;DR本论文提出了一种使用卷积神经网络进行局部对象在杂乱环境中的 3D 对象实例识别和姿态估计的方法，通过引入动态边界到多样性拓扑学习的三元组损失函数中，来在低维描述符空间上建立对象相似度模型，采用新背景噪声类型和表面法线等多种模态的图像数据进行训练，形成了更高维的特征表征以及更好的训练平衡性。
发现论文，激发创造
  • 当回归遇上流形学习：物体识别和姿态估计

    本文提出一种通过卷积神经网络从深度图像中识别物体和估计姿态的方法，采用流形学习和姿态回归的多任务学习框架，通过实验证明，所提出的新型损失函数大大提高了网络学习到的视角描述符的区分度，相对姿态准确性比相关工作提高了近 30％。

    May, 2018

  • 深度人脸识别的三元组蒸馏

    本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。

    May, 2019

  • 使用全景视图和三元损失函数的层次定位

    本研究旨在使用三元组卷积神经网络解决移动机器人定位问题，并测试其对光照条件变化的鲁棒性。我们使用在动态条件下捕获的真实室内环境的全景图像。文章提出了两种方法来通过三元组神经网络解决定位问题。第一种是分层定位，它包括两个阶段：粗定位和细定位。第二种是全局定位，它在一步中估计机器人在整个地图中的位置。此外，对损失函数对网络学习过程的影响进行了全面研究。实验证明，三元组神经网络是解决室内环境中移动机器人定位问题的高效且稳健的工具，能考虑到真实操作条件。

    Apr, 2024

  • Triangle-Net：面向点云学习的鲁棒性

    提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

    Feb, 2020

  • 使用遮挡图和批量三元组损失增强用于人脸识别的卷积神经网络

    该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数 ——batch triplet loss，通过降低正负分数的标准差来改善 triplet loss 的性能，同时在 LFW 数据集中得到了显著的改进。

    Jul, 2017

  • 基于边际三元组嵌入的对抗学习正则化

    本研究提出了一种方法来提高深度神经网络的鲁棒性，即将基于局部平滑特征空间的三元组嵌入正则化术语整合到分类目标中，该正则化术语由两步优化组成，可以通过明显的大 Margin 惩罚来找到潜在的扰动。在实验中，我们的方法在 MNIST，CASIA-WebFace，VGGFace2 和 MS-Celeb-1M 数据集上的表现证明了其增强了网络对特征和标签对抗攻击的鲁棒性。

    Sep, 2019

  • 从结构和动作学习 3D 人体姿势

    使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8％和 12％，并在普通图形卡上以 30 FPS 运行。

    Nov, 2017

  • 多视角 3D 物体检索的三元中心损失

    研究了在三维目标检测中，利用不同的深度度量学习方法来提高检索效果的效果，并针对性的提出了三种不同的模型评估方式 —— 三元组损失、中心损失和三元组 - 中心损失，进行了广泛的实验验证和效果评估，最终和已有领先算法进行了效果对比。

    Mar, 2018

  • 人员再识别的增量三元组间隔学习

    此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度，通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。

    Dec, 2018

  • 利用质心三元损失学习嵌入向量进行机器抓取中的物体识别

    基于基础模型的对象识别模型训练中，采用质心三元组损失的方法，实现了高准确率和灵活的输入尺寸，同时在需要细粒度检测的 HOPE 数据集上表现优于相关方法。

    Apr, 2024