Apr, 2022

基于 ResNet 骨干网的 U-Net 服装关键点识别

PDF
TL;DR利用基于热图的地标检测模型，在 2D RGB 服装图像上定位重要地标如边缘、角以及合适的内部区域。再结合地标检测模型和纹理展开等技术，我们能够在现代 3D 编辑软件中重建 3D 服装。我们采用了 U-net 架构与 ResNet 骨干网络构建模型，并应用适当的损失函数，成功地训练出了一个相当鲁棒的模型。
heatmap-basedlandmark detection2d rgb garment images3d garmentsu-net architecture
发现论文，激发创造
  • 层次循环转换器网络实现无限制时尚地标检测

    本研究针对传统依赖昂贵的边框注释来减少不确定性的困境，提出了 Deep LAndmark Network (DLAN)，通过联合估计边框和关键点，有效解决了服装标记点检测的问题。在大规模的无限制服装里程碑数据库（ULD）上测试表明，DLAN 对不同类型的服装和模式的泛化表现极佳，非常适用于真实世界的时尚分析。

    Aug, 2017

  • 野外时尚地标检测

    本文提出了一种时装关键点检测技术，结合卷积神经网络算法并使用时装关键点数据集，在时尚属性预测和服装检索等应用中证明了其有效性和较强的区分度。

    Aug, 2016

  • 全局 - 局部嵌入式模块用于时尚关键点检测

    本文介绍了一种基于全局 - 局部嵌入模块的时尚地标检测网络，能够考虑服装图像的全局和局部相关知识，其中包括非局部操作用于捕捉远距离依赖关系和接下来的卷积操作用于采用局部邻域关系。实验结果表明，该方法在时尚地标检测方面有着很好的能力，并且优于最先进的方法.

    Aug, 2019

  • 时装地标检测的布局图推理

    本文提出了一种基于多层次的布局图推理层的方法，通过在中间表示中 na 无缝执行结构布局关系来检测多样化服装的密集关键点。实验结果表明，该模型具有优越性能，并贡献出了第一个细粒度的时尚标志物数据集以支持更全面的衣服生成和属性识别。

    Oct, 2019

  • 深度残差 U-Net 实现的道路提取

    本文提出了一种基于深度残差网络和 U-Net 的语义分割神经网络模型，可用于从航空图像中提取道路区域，并通过实验验证了该模型的优越性。

    Nov, 2017

  • 深度循环回归用于面部关键点检测

    提出一种新颖的端到端深度架构用于面部标记检测，它基于卷积和反卷积网络，以及经过精心设计的循环网络结构，并在多个基准数据集上得到了比当前最先进方法更卓越的表现。

    Oct, 2015

  • KiU-Net：利用过完备表示实现生物医学图像的准确分割

    本文提出了一种新的超完备神经网络结构 Ki-Net，该结构在 U-Net 网络的基础上，通过数据在高维空间上的投影，实现了在分割模糊、嘈杂边界下的解剖标志和小型的功能区域的显著性改善，并表现出更快的收敛速度和优异的性能。作者在早产婴儿的二维超声脑解剖分割任务中，与标准 U-Net 相比，提高了约 4% 的 DICE 准确率和 Jaccard 指数，同时优于最近的一些方法 2%。

    Jun, 2020

  • 一种深度学习框架用于口罩下的人脸重建

    采用三阶段方法，包括人脸关键点检测、掩膜二元分割和修复缺失区域等方法，用深度学习算法进行图像重建，以提高性别和其他特征的一致性。

    Mar, 2022

  • 热力面部标记追踪

    通过使用来自红外图像的热图像，利用人脸的重要区域进行面部标志跟踪，忽略了光照和阴影，但显示了主体的温度，通过特定位置上的热量波动反映生理变化，如血液流动和出汗，用于远程判断焦虑和兴奋。本研究进一步尝试了各种模型，包括残差连接、通道和特征关注以及网络组件的并行运作，最佳模型整合了卷积和残差层以及通道自注意层，只需要不到 100,000 个参数。

    Nov, 2023

  • Retina U-Net：基于分割监督的医学目标检测方法

    本文提出了一种新颖的 Retina U-Net 结构，以提高小型医学图像数据集中目标检测效率，该结构自然地将单级探测器与医学图像语义分割中广泛使用的 U-Net 架构相结合，并通过补充对象检测与语义分割形式的辅助任务来重新捕获监督信号，从而取得更好的检测效果。

    Nov, 2018