May, 2019

基于组合模型和深度网络的物体遮挡下鲁棒分类方法

PDF
TL;DR该研究试图将深度卷积神经网络与组合模型相结合，以解决当前计算机视觉领域的一个基本问题：在高识别性的同时识别部分遮挡的物体。研究者提出了一种学习两步法，即训练标准 DCNN 进行图像分类，然后将 DCNN 特征聚类成字典，并建议用组合模型混合以解决空间激活模式的重要变化问题。该研究表明，组合模型与 DCNNs 的结合解决了当今深度学习方法在计算机视觉中的基本问题，即在未曾接受训练的情况下识别部分遮挡的物体，同时对不发生遮挡的物体保持高识别性能。
发现论文，激发创造
  • 组合卷积神经网络：一种具有内在鲁棒性的深层架构，可抵御部分遮挡

    本研究旨在提出一种称为 “组合卷积神经网络” 的模型，通过整合组合模型和卷积神经网络的特性，能够在部分遮挡的情况下进行分类和定位，与传统的卷积神经网络比较表现出更强的鲁棒性和准确性。

    Mar, 2020

  • 组成卷积神经网络：一种强健且可解释的物体识别模型（考虑遮挡情况）

    本研究提出了 CompositionalNets，一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构，具有天生的部分遮挡鲁棒性，同时能够将图像分解为对象和上下文，并基于非遮挡部分的对象来识别遮挡对象。实验结果表明，CompositionalNets 在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势，并可以准确地定位遮挡物。

    Jun, 2020

  • 具有上下文感知的组合网络的遮挡下稳健物体检测

    本文提出了一种利用语境感知的 Compositional 物体检测网络，通过对上下文的切分以及扩展部件投票机制来解决部分物体被遮挡的问题，实验表明该模型在检测上表现出了强大的鲁棒性。

    May, 2020

  • 深度组合网络

    本文提出了一种基于层次化组合模型的分析模型，通过显式的结构模型和明确的鉴别成本函数结合，在两个数据集上的实验表明，该模型在判别任务中表现和标准 CNN 相当，同时由于特征单元中结构的明确建模，使得其部分具体化可视化、推理快速分离，并且从局部观察中还原能力更强。

    Sep, 2016

  • 教授卷积神经网络组合性

    本文提出了一种扩充并训练卷积神经网络的方法，使其学到的特征是组成式的，并促进对对象的分离。实验表明，这种组成式特征学习方法在目标识别任务中相比非组成式基线可以获得更好的性能提升。

    Jun, 2017

  • 自底向上的细粒度图像分类中的弱监督互补部件模型

    文章介绍了使用弱监督的方法，构建辅助部分模型，检测出深度卷积神经网络忽略的其它目标部分，使用双向 LSTM 将这些互补信息编码为图像综合特征用于图像分类，并在 Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256 数据集上实现了显著提升。

    Mar, 2019

  • CompNet：处理图像和设计特征组合的指定模型

    本文提出了一种新的 CNN 模型结构 ——CompNet，即复合卷积神经网络，用于处理既包含图像也包含设计特征的分类任务，结合使用图像的学习特征权重设计特征，以充分利用所有可用信息，并显著减少过拟合现象。对 LIDC 数据集进行实验验证并与类似方法进行比较，结果表明，该模型在分类任务中的表现优于其他方法。

    Sep, 2022

  • 深度组合字幕生成：在无配对训练数据的情况下描述新的物体类别

    本文提出了一种新的深度神经网络模型 —— 深度组合描述器（DCC），用于描述在未配对图像 - 句子数据集中出现的新概念，可以利用大型对象识别数据集和外部文本语料库，并在语义上相似的概念之间进行知识转移，从而可以描述新的对象及其与其他对象的交互作用。

    Nov, 2015

  • 抗部分遮挡的鲁棒方法

    本文通过引入遮挡，利用斯坦福汽车数据集，创建综合分析模型，研究了不同模型在不同遮挡条件下的性能，可以进一步用于视频交通数据分析处理犯罪、收入预测等领域。

    Apr, 2023

  • 基于组合先验的少样本单视图三维物体重建

    本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

    Apr, 2020