基于距离变换回归的空间感知深层语义分割
本文主要研究一种无需提议的实例分割方法,通过像素嵌入学习和聚类来识别图像中的物体,并提出一种包含距离回归模块的简单有效的体系结构,用于生成快速聚类的种子,并且通过将距离回归模块的特征与图像进行拼接,可以显著提高学习到的嵌入特征的准确性。该方法在 CVPPP Leaf Segmentation Challenge 上的结果是排行榜中最好的。
Jul, 2020
本研究提出一种基于多任务学习的心脏 MR 图像分割正则化框架,通过在现有 CNN 体系结构的瓶颈层中添加距离映射正则化器来优化全局特征学习,使 CNN 的分割性能得到提升。
Jan, 2019
本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域,经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征,有望用于提取形态学生物标志物,并得出定量评估指标。
Aug, 2019
通过将地点识别视为回归问题,使用相机视野重叠作为相似性标准进行学习,使图像描述符与评级相似性标签直接对齐,提高排名能力,同时节省昂贵的重排操作,实现了高效数据训练和在多个基准数据集上的强大泛化。
Jan, 2024
该研究提出了一种称为 DenseReg 的系统,使用手动标记的面部特征点作为训练网络的基础,实现了从图像到模板之间的密集对应关系,其在面部分析任务及身体对应分析中取得了较好的结果。
Dec, 2016
本文提出了一种新颖的端到端多对一行进距离估计模型 (DistanceNet) 来解决传统单目 vSLAM/VO 在尺度歧义问题上的不足,该模型利用了深度学习技术,基于卷积神经网络 (CNN) 和循环神经网络 (RNN) 学习几何特征和动态信息,利用排序回归方法预测图像序列中相邻帧之间的行进距离,并在 KITTI 数据库上进行评估,结果表明该模型在行进距离预测方面优于当前最先进的深度学习位姿估计器和传统的单目 vSLAM/VO 方法。
Apr, 2019
提出了一种端到端的三维重建方法,通过直接回归截断带符号距离函数(TSDF)从一组姿势 RGB 图像中实现。使用 2D CNN 独立地提取每个图像的特征,然后通过相机内参和外参进行反投影和累积到体素体积中。此外,通过该方法获取到了三维模型的语义分割。该方法在 Scannet 数据集上得到了评估,既在量化指标上,也在视觉效果上都超过了国际领先的基准结果。
Mar, 2020
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017