本文提出了一个手工标记的人脸遮挡数据集,覆盖太阳镜、眼镜、手、口罩、围巾和麦克风等遮挡类型,是迄今为止最大、最全面的人脸遮挡数据集。将其与 CelebAMask-HQ 数据集相结合,训练了一个简单的人脸分割模型,并获得了 SOTA 性能。
Jan, 2022
本文挑战了最先进的生成模型,通过对稳定扩散进行微调,在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验,我们表明合成数据与真实异常数据的表现之间存在高度相关性,从而显示了该方法的有效性。此外,我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。
Dec, 2023
本研究提出了一种合成数据生成方法,结合小规模真实数据集,通过生成的合成场景数据和深度信息,训练出在物体识别、姿态估计和图像分割等方面表现优越的机器人抓取算法。
Jan, 2024
本研究提出了一种基于人脸分割和三维人脸重建的面部去遮挡模型,通过预测面部先验和遮挡掩码实现了对所有种类的面部遮挡(包括毛发等较模糊的边界)的自动去除,并为了监督训练进一步构建了一个大型遮挡数据集。实验证明,该方法有效且鲁棒。
Dec, 2021
本文研究了在人机共享环境中,部分遮挡对 3D 人体姿态估计的影响及几种合成遮挡类型对 Human3.6M 数据集中现有方法的影响,并发现性能最好的方法即使在轻微遮挡下也会出现敏感性,通过训练数据增强和合成遮挡来提高遮挡鲁棒性并有效地规范化模型。
Aug, 2018
通过模拟真实世界中因单目摄像头扫描而导致的自遮挡,我们提出了一种名为 PointMLS 的鲁棒点云处理方法,通过 ModelNet-O 数据集的实验结果证明了该方法在点云分类中取得了最先进的结果,并且在常规数据集上取得了有竞争力的结果,而且具有鲁棒性和有效性。
采用鲁棒的数据增强技术和深度学习架构,通过提出一种新的数据增强技术、采用混合任务级联(HTC)框架和 CBNetV2 作为骨干架构以及引入 Stochastic Weight Averaging(SWA)训练策略,该论文在篮球场景中分割人体主体方面取得了显著的遮挡得分(OM)。
Oct, 2023
本论文针对人群姿态估计的问题,提出了通过数据增强方法、显式识别遮挡的身体部位和使用合成数据集来优化姿态估计。论文的实验结果表明这些方法提高了模型的准确性,使其在人群场景下获得了与当前最先进方法相媲美的结果。
Jul, 2019
通过显式的语义分割技术,利用深度学习网络在实时的不受限制的图像中进行面部追踪,进而应用于虚拟化妆和面部替换任务。
Apr, 2016
本研究提出了一种用已有数据集进行数据注释以生成多模态数据的方法,以优化智能车辆系统中的数据模拟,实现高保真模拟并增加样本多样性并成功改善了语义分割的实验效果。
Aug, 2022