Sep, 2019

TDAPNet：基于循环自上而下注意力的原型网络，用于部分遮挡下的稳健对象分类

PDF
TL;DR本文介绍了将原型学习、部分匹配和自上而下的注意力调节集成到深度学习神经网络中，以实现在遮挡情况下的稳健目标分类。实验结果表明，所提出的网络显著提高了当前深度神经网络在遮挡下的鲁棒性。
deep neural networksocclusionprototype learningpartial matchingtop-down attention regulation
发现论文，激发创造
  • 抗部分遮挡的鲁棒方法

    本文通过引入遮挡，利用斯坦福汽车数据集，创建综合分析模型，研究了不同模型在不同遮挡条件下的性能，可以进一步用于视频交通数据分析处理犯罪、收入预测等领域。

    Apr, 2023

  • 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

  • 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

  • 用自上而下的全卷积编码器 - 解码器网络学习细化物体轮廓

    本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

    May, 2017

  • 图像分类中有效数据增广的遮挡技术

    通过批量数据增强技术中的遮盖作为数据增强手段，在高容量模型上（例如 ResNet50）的图像分类任务中，为提高性能提供了一种简单的技术；同时，可以使用不同数量的遮挡来研究不同神经网络架构的鲁棒性。

    Oct, 2019

  • 重建引导的注意力提高神经网络的鲁棒性和形状处理能力

    该研究建立了一种迭代编码器 - 解码器网络模型，利用重构上的反馈机制来加强前馈目标识别过程的重要信息，有效应对常见的图像扰动；研究还发现，该网络模型在对象识别方面，空间与特征化的注意力是相辅相成的，并可以解释人类的知觉误差。

    Sep, 2022

  • 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

  • 基于形状概念的深度监督算法用于考虑遮挡的三维物体分割

    本研究中，我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态，其利用合成数据和模拟的遮挡情况训练网络，并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。

    Dec, 2016

  • 终身目标检测

    本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

    Sep, 2020

  • 面向遮挡行人检测的掩模引导注意力网络

    本文介绍了一种基于注意力网络的被遮挡行人检测方法，具备在 CityPersons 和 Caltech 两个数据集上超过现有方法的鲁棒性能

    Oct, 2019