PPGNet: 学习点对图以进行线段检测
本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练,我们的方法不需要任何注释的线标签,并且可以推广到任何数据集。在多视图数据集及实际应用中,本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度,是向学习特征点方法迈出的第一步。
Apr, 2021
本文提出了一种基于 Pair Proposal Network (PPN) 的新型架构 Pair then Relation (Pair-Net),利用矩阵学习器 (matrix learner) 来过滤稀疏的主语和宾语之间的关系,通过实验分析得到了新的最佳 PSG 表现结果,并超越了之前的 PSGFormer。
Jul, 2023
本文提出了一种基于学习的方法,用于自动提取混乱人造环境图像的线框表示,并构建了一个非常大的新数据集,并提出了两个适用于提取接头和直线的卷积神经网络,取得了明显优于现有方法的性能。
Jul, 2020
利用预训练视觉转换模型提取输入图像的高级特征,然后利用图神经网络和基于模块性的优化准则,无需依赖预先标记的训练数据,从图像中提取和划分有意义的边界,实现了竞争性能,进而对无监督医学图像和计算机视觉领域做出了贡献。
May, 2024
本文提出一种新的匹配模式,将点、线及其描述符统一成一个单独的框架结构,并提出 GlueStick,一种深度匹配图神经网络,以便从不同的图像中取出两个线框并利用节点之间的连接信息更好地将它们粘合在一起。我们证明了这种匹配策略可以优于当前最先进的独立匹配线段和点的方法,适用于各种数据集和任务。
Apr, 2023
本文提出一种名为 Point Instance Network(PINet)的交通线检测方法,该方法采用了关键点估计和实例分割方法,使得训练的模型大小可以根据目标环境的计算能力进行选择,以适应不同数量的交通线。在 TuSimple 和 Culane 公共数据集上,该方法具有竞争力的准确性和误报率。
Feb, 2020
该研究提出了一种基于模型驱动的方法来检测图像线段,通过使用线性卡尔曼滤波器逐步在梯度图像上检测线段,并估计其支持线参数及其相关方差。该算法在处理图像噪声和光照变化方面表现出色,可以检测到比数据驱动方法更长的线段,并且无需繁琐的参数调整。此外,还提出了一种扩展算法,利用金字塔方法来提高结果的质量。通过与经典方法的对比以及在不同场景光照下的测试,证明了该方法的有效性。
Nov, 2023
本文提出了一种无监督半自动图像分割方法,将图像分割作为基于低级图像线索计算的一元和二元分配概率的推理问题。利用概率图匹配方案来解决推理问题,允许严格的低级图像线索的结合和自动参数调节。实验证明,这种方法在现代最先进的图像集中应用时比现代半监督和无监督图像分割方案具有更好的效果。
May, 2023
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中,以便于利用传统的 2D 卷积神经网络进行分割,通过引入具有拓扑结构保持特性的图形处理方法,并使用分层逼近算法,结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割,取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020
本文研究了识别图像中曲线结构的问题,提出了一种基于深度网络的方法,同时执行分割和路径分类这两个任务,以实现整个处理流程的连贯性,并在道路和神经元数据集上应用该方法。
May, 2019