Apr, 2022

OmniPD：一步完成全景室内视角的行人检测

PDF
TL;DR本文提出了一种基于卷积神经网络进行一步检测的全景俯视室内场景人物检测器，并利用数据增强和迁移学习技术，以及 Microsoft COCO 和 PASCAL VOC 数据集进行了 fine-tune 和评估，获得了较好的检测精度。
omnidirectional imagesconvolutional neural networksobject detectiondata augmentationtransfer learning
发现论文，激发创造
  • 单目全向俯视图中的人体姿态估计

    该研究提出了一个新的数据集（THEODORE+），用于训练和评估卷积神经网络（CNNs）在全景相机中识别人体姿态，以及针对 THEODORE + 数据集的四种重新训练或微调神经网络的训练方法，并在 PoseFES 数据集中取得较明显的改进。

    Apr, 2023

  • 使用非极大值抑制提高全方位图像的人体检测

    本研究提出一种基于卷积神经网络的人物检测器，能够在全景图像中准确生成人物的最小外接矩形。根据检测器的原始边界框，我们通过非最大值抑制、软非最大值抑制和带有高斯平滑的软非最大值抑制三种方法对边界框进行微调，并在 PIROPO 数据库和自己注释的 Flat 数据集上进行了评估，实现了对人物类的平均精度分别为 64.4% 和 77.6% 的检测效果。

    May, 2018

  • SSD：单发多框检测器

    该研究提出了一种名为 SSD 的方法，使用单个深度神经网络在图像中检测对象，在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框，利用不同分辨率的多个特征图进行预测，并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。

    Dec, 2015

  • OPDN: 全向位置感知变形网络用于全向图像超分辨率

    本文提出了一种两阶段的 360 度全向图像超分辨率框架，利用全向位置感知可变形块（OPDB）和傅里叶上采样，以及空间频率融合模块（SFF）来增强 360 度全向图像的特征提取和高频信息，通过像素解交错操作和数据的收集和处理，该方法在 NTIRE 2023 挑战中的成绩卓越。

    Apr, 2023

  • 精密单级检测器

    本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD)，通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD，提高了其对于局部和语义信息的分析能力，解决了特征抽取和非极大值抑制两个关键问题，进而在行为检测中取得了优异的表现。

    Oct, 2022

  • 深度多摄像头人体检测

    通过使用深度学习算法解决多视角人员占用地图估计问题，并构建一个利用多个视频流的架构，将其联合利用，从而在 PETS 2009 数据集上大幅度优于现有方法。

    Feb, 2017

  • RAPiD: 苍穹鱼眼图像中的姿态感知人体检测

    本研究提出了一种名为 RAPiD 的人体检测方法，使用任意方向的边界框为代表人体，并通过端到端的全卷积神经网络直接回归边界框的角度。实验证明该方法优于现有的方法。

    May, 2020

  • 人员搜索的联合检测和身份识别特征学习

    提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。

    Apr, 2016

  • 使用深度卷积神经网络进行多视角人脸检测

    本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法，不仅不需要姿态或者地标注释，而且能够探测多个视角下人脸的位置，并且表现出与其他方法相当或优于其他更为复杂的方法。

    Feb, 2015

  • 视觉地点识别与导航的全向 CNN

    使用全景相机的视觉地点识别方法提出了新的全向卷积神经网络 (O-CNN) 来处理极端相机姿态变化，并通过距离估计提出了启发式策略来为机器人导航，从而实现以最小距离寻找任务。

    Mar, 2018