Mar, 2020

FADNet：一种用于视差估计的快速准确网络

PDF
TL;DRFADNet 是一种高效准确的深度学习网络用于计算机视觉中的视差估计，采用 2D 基础相关层与残差结构来提高预测精度， 并通过多尺度预测技术实现多尺度权重调度来提高准确性，无需 3D 模型耗费更多的计算资源。
deep neural networksdisparity estimationfadnetcomputer visionstereo matching
发现论文，激发创造
  • StereoDRNet：扩张残差立体网

    提出了一种使用卷积神经网络（CNN）从立体图像估计深度，利用预测的深度图进行体积融合，进而恢复场景的三维重建方法，该方法采用了新的深度细化架构，实现了先进成本滤波架构成本的近半降低，采用风暴池架构进行特征提取，该方法在多个基准数据集上均取得了领先的成果。

    Apr, 2019

  • DFANet: 深度特征聚合实时语义分割

    本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，DFANet 大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍，FLOPs 少 8 倍的卓越性能，同时提供可比较的准确性。具体而言，它在 Cityscapes 测试数据集上实现了 70.3％的 IOU 平均值，仅使用 1.7 GFLOPs，并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断，在更高分辨率图像上推断时，实现了 71.3％的 IOU 平均值和 3.4 GFLOPs。

    Apr, 2019

  • 基于增强式深度 3D 卷积神经网络的人脸表情识别

    本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法，使用 3D Inception-ResNet 层及 LSTM 单元，从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。

    May, 2017

  • 使用引导注意力的网络进行从单张图片中保留细节的深度估计

    该论文提出了一种卷积神经网络模型，由密集特征提取器（DFE）和深度图生成器（DMG）组成，利用注意力机制融合 DFE 产生的多尺度特征，可以快速且准确地预测深度图，同时在结构细节方面保持了更好的性能表现。

    Sep, 2018

  • SAFDNet：一种简单有效的全稀疏 3D 物体检测网络

    通过设计自适应特征扩散策略，提出了一种用于完全稀疏的三维目标检测的高效架构 SAFDNet，并在长距离检测场景中证明了其有效性。

    Mar, 2024

  • FFDNet: 基于 CNN 快速灵活的图像去噪解决方案

    提出了一种快速而灵活的去噪卷积神经网络 FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于 BM3D。

    Oct, 2017

  • AMNet: 深层空洞多尺度立体视差估计网络

    本文提出了一种新的深度学习架构 ——Atrous Multiscale Network（AMNet）用于立体视差估计，AMNet 采用了有效的特征提取器，并且能够在深度特征上部署新的立体匹配代价，其提出了堆叠式 Atrous Multiscale 网络来聚合来自代价体积的丰富多尺度语境信息，可在多种尺度上高精度地估计视差。此外，本文提出了一种迭代式多任务学习方法来训练前景 - 背景感知 Atrous Multiscale 网络（FBA-AMNet），并且表明 AMNet 和 FBA-AMNet 在具有挑战性的 Middlebury，KITTI 2012，KITTI 2015 和 Sceneflow 立体视差估计基准测试中具有高精度的视差估计。

    Apr, 2019

  • 深度立体视觉的持续适应

    提出一种 Modularly ADaptive Network (MADNet) 架构和 Modular ADaptation (MAD, MAD ++) 算法设计，实现在不同环境下对深度估计进行实时自适应的端到端架构，无需与输入图像不同的数据源。

    Jul, 2020

  • 基于深度学习的面部部位响应到人脸检测的转换

    本文提出了一种新颖的深度卷积网络，通过对面部部位响应的空间结构和排列进行评分机制，从新的角度寻找面部，并考虑到挑战性情况下的面部检测，如严重遮挡和不受约束的姿势变化，以实现在 FDDB，PASCAL Face 和 AFW 数据集上出色的表现。

    Sep, 2015

  • 实时自适应深度立体匹配

    通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

    Oct, 2018