本文研究了一种神经网络模型的新方法,使用稀疏相关物体代替密集相关物体,以更高效且准确地估算像素位移并降低计算成本和内存使用。
Apr, 2021
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力,从而在多目标跟踪方面取得了最先进的效果,并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。
本研究针对两幅图像之间密集像素对应估计的挑战进行探讨,提出了一种基于粗到细的 CNN 框架,能够扩展光流方法的优势,解决大范围变换并提供密集和亚像素准确估计的问题,并在相对摄像机姿态估计问题上表现优异。
Oct, 2018
本文提出了使用分组相关来构建成本体积,并改进了三维堆叠沙漏网络,以用于立体匹配的深度感知,通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上,该方法优于之前的方法。
Mar, 2019
使用功能映射方法来提高大规模视觉模型训练中的对应关系地图的质量,并在各种密集对应任务中取得了最新的最佳性能。
Mar, 2024
本研究提出了一种名为 Correlation Verification Networks (CVNet) 的图像检索网络,包括深度堆叠的 4D 卷积层,以及横跨多个尺度的特征金字塔和特征相关结构,并使用课程学习与硬负采样和 “捉迷藏” 策略处理困难样本,其表现优于现有方法 (+12.6% in mAP on ROxford-Hard+1M set)。
Apr, 2022
本文针对在图像检索中几何对应验证,提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型,并通过实验证明了该模型具有竞争力。此外,将该方法应用于长期视觉本地化问题,并在跨数据集上进行了验证。
Apr, 2019
本研究提出了一种新颖的基于深度神经网络的图像对应关系发现框架,可以根据给定的两幅图像和一个查询点在其中一个图像中找到其在另一个图像中的对应关系,并可以检索稀疏或密集的对应关系,同时在推理时,递归地以估计为中心缩放,形成了多尺度通道,从而能够提供高度准确的对应关系。本方法在多个数据集和任务中明显优于现有技术,并不需要针对特定数据集进行重新训练。
Mar, 2021
本文提出了 SCNet,一种基于卷积神经网络的语义对应的几何合理模型,利用区域提议实现匹配原语,并明确将几何一致性纳入其损失函数中,该方法在多项基准测试中均表现优异。
May, 2017