应用专家样本一致性算法进行相机重定位
本文提出了一种强大的估计器,可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略,利用先前检测到的模型进行神经网络传递学习,并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集,该方法在消失点估计方面表现优异,并在多透视图下表现出优越性能。
Jan, 2020
这篇论文介绍了一种基于学习的系统,可以通过单个输入图像相对于已知环境估计相机的位置和方向,该系统采用了深度神经网络和可完全微分的姿态优化,可以适应不同应用程序,包括使用 RGB-D 或 RGB 图像进行训练,并可以使用环境的三维模型进行训练,但不是必需品。
Feb, 2020
本文介绍了一种名为 DSAC 的新算法,它是 RANSAC 的可微分版本,并应用于深度学习与相机定位问题中,通过采用概率选择的做法, DSAC 克服了 RANSAC 在深度学习中无法使用的问题,在相机姿态输出方面显著提高了稳健性。
Nov, 2016
本文提出了一种基于单门 MoE 的简单且高效的异步训练方法,并通过基于聚类的初始化策略等技术手段实现了高效率与高准确率的权衡,与其他复杂的 MoE 相比表现优异,为单门 MoE 的应用提供了新的思路。
Apr, 2023
本文介绍了一种基于深度学习的 6D 姿态估计架构,能够直接从对应点回归 6D 姿态,并提出了单阶段 6D 姿态估计框架,能够在准确性和速度方面显著优于现有的双阶段框架。
Nov, 2019
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
本文提出一种新的 MoE 的门控网络结构,类似于注意力机制,可以在任务分解方面提高性能并导致更低的熵,同时介绍了一种新的数据驱动正则化方法,可以提高专家的专业化。
Feb, 2023
在本研究中,我们探究了在数据按照回归模型进行采样的确定性混合专家模型下,最小二乘估计器(LSE)的性能,并建立了称为强可辨识性的条件,以表征不同类型的专家函数的收敛行为。我们证明了广泛使用的具有激活函数 sigmoid 和 tanh 的前馈网络专家的估计速度明显快于多项式专家,后者表现出令人惊讶的缓慢估计速度。我们的研究结果对专家选择具有重要的实际意义。
Feb, 2024
RANRAC 是一个稳健的重建算法,用于处理被遮挡和分散的图像中的 3D 物体,支持光场网络的单拍重建,并适用于基于神经辐射场的真实世界图像的真实、稳健的多视角重建。
Dec, 2023