文章提出了一种新方法,名为 Dynamic Hyperpixel Flow,利用条件图像在深度卷积神经网络中选择少数相关层,动态构成有效特征,从而在语义对应任务中取得了表现显著的提升。
Jul, 2020
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021
通过自我监督学习并结合对真实世界视频和合成视频的特征学习,提出了一种针对像素级对应的特征学习方法,采用对抗性学习方案增强特征的泛化能力,并采用粗到细的框架追求高计算效率,在对应任务上的实验结果表明,该方法在准确度和效率方面均优于现有方法。
Aug, 2023
通过无监督学习从大量未标记图像路径中学习特征,对像素进行编码,并进行空间池化以获得补丁层特征,然后将学习到的特征顺畅地嵌入到多层匹配框架中,得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型,并分析了字典学习和特征编码对最终匹配性能的影响。
Jan, 2015
我们提出了一种基于 object proposals 的语义流的新方法,称为 proposal flow,它可以在处理图像时使用对象 proposals 来建立可靠的对应关系,并证明 proposal flow 在各种设置中均显著优于现有的语义流方法。
Nov, 2015
本文介绍了 Diffusion Hyperfeatures 框架,该框架用于将多尺度和多时间步长的特征图聚合成每像素特征描述符,可以用于图像生成和反推过程,该框架在语义关键点对应任务中表现出优秀的性能,并且具有灵活的可转移性。
May, 2023
该研究提出一种名为 “proposal flow” 的新型语义流方法,使用对象提议建立可靠的对应关系,具有高重复性和几何一致性约束,并在多种情况下展现出明显的性能优势,适用于计算机视觉领域中的图像匹配。
Mar, 2017
研究使用二进制前景掩码并经过合成几何变形的图像来训练卷积神经网络(CNN),以解决语义对应问题,提出了一种新的 CNN 体系结构(称为 SFNet),其实现了这一想法,并展示了在标准基准测试中明显优于现有技术的实验结果。
Nov, 2019
本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系,并且利用稀疏可靠特征匹配而非优化所有成对对应关系,同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异,同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。
Nov, 2017
本文提出了一种名为 'Flow Alignment Module' 的方法,通过学习场景不同层级之间的语义流,并将高层次特征有效和高效地广播到高分辨率特征,使得在轻量级骨干网络上如 ResNet-18 表现卓越,在 Cityscapes 数据集上获得了 80.4% 分割精度,时速达到 26FPS。
Feb, 2020