ICLRAug, 2020

利用区域提议交互网络学习长期视觉动态

PDF
TL;DR本论文通过 Region Proposal Interaction Networks 的方法在潜在区域建立对象表示来捕捉对象间和对象环境交互，并在长期预测中尤为有效，提高了预测质量和规划下游任务的能力，同时在新环境中具有良好的泛化性能。
发现论文，激发创造
  • 视觉交互网络

    本文介绍了一种基于视觉交互网络的模型，能够从原始视觉观察数据中学习物理系统的动力学，在复杂的物理环境中支持基于模型的决策制定和规划。该模型由基于卷积神经网络的感知前端和基于交互网络的动力学预测器组成，支持从少量视频帧生成准确的未来轨迹预测。

    Jun, 2017

  • 基于视觉的长期动态预测在环境失配下的批判性观察

    本文提出 RPCIN 模型，在已有的成功基础上，通过 SimB-Border，SimB-Split，BlenB-Border 和 BlenB-Split 等四个具有 Cross-Domain 和 Cross-Context 条件的数据集，探究现有模型在特定条件下的局限性和改进方向，为相应领域提供实质性辅助。

    May, 2023

  • Faster R-CNN: 基于区域建议网络实现实时目标检测

    本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

    Jun, 2015

  • 从像素学习潜在动力学规划

    通过图像学习环境动态、通过快速在线规划选择动作，利用深度计划网络（PlaNet）解决了连续控制任务中的挑战，同时使用的强度模型相对较少。

    Nov, 2018

  • 预测交互来学习操控

    通过预测交互进行操纵的学习，提取可视化表示，并且在真实世界和仿真环境中实现了 10% 至 64% 的显著性改进。

    Jun, 2024

  • 递归神经网络中物体识别的表示动态特性

    通过研究大规模可视化模型中循环神经网络（RNN）的表征动力学，发现推理过程中表征持续演化，且错分表征表现出较低的 L2 范数激活模式，并更靠近读出区域的边缘，这种排列方式有助于错分表征随时间进展逐渐进入正确的区域，结果对于理解自然任务中 RNN 动力学具有普适意义。

    Aug, 2023

  • 学习回归和验证网络以进行长期视觉跟踪

    我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

    Sep, 2018

  • 视频物体检测的关系蒸馏网络

    该研究提出了关系蒸馏网络 (RDN) 的新架构，通过跨物体的空时上下文进行聚合和传播，从而改进了目标检测和跨帧盒子链接，并在 ImageNet VID 数据集上实现了最佳 mAP。

    Aug, 2019

  • 使用逆动力学模型从像素规划

    提出了一种新的方法来学习依赖任务完成的未来动作序列预测的潜在世界模型，该模型适应地关注任务相关的动态学习，并同时充当稀疏奖励下计划的有效启发式方法，通过挑战性的视觉目标完成任务的评估，我们发现该方法较之前的无模型方法在性能上有了显著提高。

    Dec, 2020

  • 视频动作检测的长短期关系网络

    本文提出了一种新的长短期关系网络（LSTR），通过空时注意机制建模视频内的短期人类 - 背景关系，并通过级联方式使用图卷积网络（GCN）推理长期时空动态，从而增强视频动作检测的特征表现。在四个基准数据集上进行广泛实验，与现有方法相比，取得了优异的结果。

    Mar, 2020