Sep, 2019

AtLoc：基于注意力机制的相机定位

PDF
TL;DR本研究中，我们使用注意力机制可实现更加几何鲁棒的物体和特征，即使仅使用单个图像作为输入，也可在常见基准测试中实现最先进的性能，并提供了广泛的实验证据。通过确定性的注视地图，我们证明网络通过学习拒绝动态物体来提高全局相机位姿回归性能。
deep learningcamera localizationattentionrobustnesssaliency maps
发现论文，激发创造
  • DA4AD：面向自主驾驶的端到端深度注意力视觉定位

    本文提出了一种基于深度注意力感知特征的视觉定位框架，可在自动驾驶中实现厘米级别的定位精度。通过使用新型端到端的深度神经网络，利用深度注意机制寻找显著、稳定性强的特征，以建立强鲁棒性的匹配，并成功估计高精度的相机姿态。经过大量的实验验证，证明了我们的方法在各种挑战性场景下，都能够达到非常具有竞争力的定位精度，这为未来自动驾驶的低成本定位解决方案提供了新的可能性。

    Mar, 2020

  • 视觉目标检测的注意力网络

    基于注意力机制的深度神经网络在物体检测任务中的应用

    Feb, 2017

  • 引导式关注推理网络：告诉我该看哪里

    利用弱监督学习和注意力图，我们提出了一种新的建模方法，使得注意力图成为端到端训练的自然组成部分，并通过直接从网络本身探索监督来直接在这些图上提供自我指导，从而成功地解决了以前方法中的缺点，并在语义分割任务上优于现有技术。

    Feb, 2018

  • AttentionNet: 弱方向聚合准确物体检测

    本文提出了一种名为 AttentionNet 的基于深度卷积神经网络的新型检测方法，将目标检测问题视为迭代分类问题，通过提供定量化的目标物体弱方向并融合来自 AttentionNet 的迭代预测结果，从而实现更精确的物体边界检测。AttentionNet 是一种统一的目标检测网络，从物体提议到后续的 bounding-box 回归均可进行检测，并在人类检测任务中取得了 65%（AP）的最先进效果，仅采用 8 层结构。

    Jun, 2015

  • SpotNet: 自注意力多任务网络用于目标检测

    本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

    Feb, 2020

  • 视觉注意力下的多对象识别

    提出使用基于注意力模型的深度循环神经网络，加上强化学习训练，以识别并定位输入图像中的多个目标。通过在谷歌街景图像中转录房屋编号序列的挑战性任务上的测试，表明该模型精度高于现有最先进的卷积神经网络，且使用的参数和计算量较少。

    Dec, 2014

  • 基于层级注意力融合的地理定位

    该论文提出了一种基于层次化注意力融合网络和多尺度特征的 2D 图像检索方法，通过自监督训练控制特征强调的权重，实现了对地理定位场景的精确定位。实验结果表明，该方法优于现有的最先进方法。

    Feb, 2021

  • 保持注意力在车道上：实时引导车道检测

    本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

    Oct, 2020

  • 通过发现锚点改善视觉重定位

    本文提出了一种基于深度学习的方法，通过视觉定位，使用锚点来预测场景的位置和摄像机方向或姿态（6 自由度），该方法使用统一定义的锚点并提出了一个深度学习架构，该架构预测场景中存在的最相关的锚点以及相对偏移量，并为该任务提出了一个多任务损失函数，无需基于真实位置信息评定，并在 CambridgeLandmarks 和 7 Scenes 上进行了实验以验证效果。与使用相同的特征提取器的先前最佳深度学习模型 Posenet（具有几何重投影损失）相比，我们的方法提升了室内和室外定位数据集中的中位误差，并在特定情况下，如街景中，将中位误差降低了 8m 以上。

    Nov, 2018

  • 通过关注机制增强显著目标分割

    该研究通过迭代地关注图像补丁并进一步增强预测的分割掩模，使用基于 ConvGRU 网络的聚合策略独立估算每个图像补丁的显著性特征，实现端到端的图像分割，较现有方法表现更优，消除背景噪声和假阳性。

    May, 2019