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

HTML
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
  • 卷积网络、可变形配件模型和非极大值抑制的端到端集成

    本文提出了一种将Deformable Parts Models和Convolutional Networks相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的NMS操作成为了模型的一部分，从而使得我们的系统在PASCAL VOC 2007和2011数据集上实现了竞争性的结果。

    Nov, 2014

  • 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

  • 部分遮挡物体的语义部分检测

    本篇论文介绍了一种用于检测部分遮挡对象的语义部分的方法，该方法使用本地视觉线索的置信度进行语义部分的检测并使用简单的投票技术来处理局部线索。实验证明，该方法在存在遮挡的情况下，在语义部分检测方面性能优于其他竞争方法。

    Jul, 2017

  • 组合生成对抗网络：学习图像条件下的二元组合

    本文提出 Composition-by-Decomposition 网络，采用两个独立分布的物体生成具有真实纹理和形状的合成图像，以此捕捉多物体之间的空间相互作用关系，从而在生成场景方面获得更好的效果。

    Jul, 2018

  • 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

  • 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

  • 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

  • 关于多对象遮挡的鲁棒实例分割推理

    本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过bounding box监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。

    Dec, 2020

  • 图像分类中的OOD鲁棒性的贝叶斯方法

    计算机视觉中的一个重要且尚未解决的问题是确保算法对图像域的变化具有稳健性。我们提出了一种基于贝叶斯方法的新颖OOD鲁棒性对象分类方法，扩展了组合神经网络(CompNets)，并通过迭代优化在OOD场景中表现出很好的性能。

    Mar, 2024

  • 深度学习模型在视觉识别任务中对部分物体遮挡的鲁棒性研究

    本研究针对深度学习模型在部分遮挡条件下的识别能力不足的问题，提出了基于现实和人工遮挡图像的图像识别遮挡数据集（IRUO）用于测试和基准评估主流方法的鲁棒性。研究发现现代CNN模型在遮挡图像上的识别准确率较早期模型有所提高，而ViT模型在遮挡图像上的表现更优，接近人类识别的准确率，但某些遮挡类型仍显著影响模型的表现。

    Sep, 2024