本研究提出了一个基于生成对抗网络和多流特征级融合技术的新方法,将极化热成像的人脸图像合成为高质量的可见光图像,并在不同的实验协议下进行多次实验验证。
Dec, 2018
本篇论文研讨了一种基于极化成像模态的新型物体识别技术,证明该技术在恶劣气候条件下比RGB图像更具有效性,能有效提高不同检测任务的状态机会20%至50%。
Oct, 2019
本文提出了一种基于极化成像的自监督单目深度学习网络,以利用色散不敏感的极化信息,提高深度估计结果,特别是对于高光区域。
Jul, 2020
该研究提出了一种新的基于数据驱动和物理学先验信息的场景级别单极化图像法线估计方法,并且建立了第一个真实场景级别形态恢复数据集。该方法采用了多头自注意力与视图编码来处理在野外环境中形成的极化杂波和联机投影问题,实验结果表明,相对于现有的形态恢复方法,该方法具有更好的性能。
Dec, 2021
本文提出了一种基于证据理论的不确定性感知对称网络(USNet),通过完全融合RGB和深度数据,折衷速度和准确性。实验结果表明,该方法以43+ FPS的实时推理速度实现了最先进的接近100%的准确性。
Mar, 2022
本论文提出了一种基于极坐标系的新型检测模型, 可应用于自动驾驶中的 3D 物体检测, 该模型利用多视角相机2D图像输入, 设计了跨注意力的极坐标检测头, 通过多尺度极坐标表示学习策略来解决自由变化的物体尺寸,实验表明此模型显著优于现有的3D物体检测方法。
Jun, 2022
本文中,我们分析了使用RGB偏振相机相比RGB相机在感知任务中的潜在效果,并探讨了深度神经网络的应用,研究表明,使用RGB偏振相机可以在双目深度估计和自由空间检测方面实现可量化的改进,同时,我们还提出了一种新的数据集,为感知算法的发展提供了支持。
May, 2023
通过利用三色线性偏振作为额外提示,作者提出了一种新的基于学习的车辆检测方法,该方法可以解决车辆检测算法在光照/天气条件和车辆密度变化大的场景中的稳定性和准确性问题,通过多模态融合网络动态集成颜色和偏振特征,能够探索所有学习样本中车辆的固有材料特性,并在实验证明了该方法优于现有最先进的检测方法,表明偏振是一种强大的车辆检测提示。
Jan, 2024
远程感知领域中,缺乏立体匹配以及准确地面真实数据制约了深度神经网络的训练;合成图像作为替代方案缓解了此问题,但面临域泛化问题;结合图像到图像翻译和立体匹配的能力提供了有效解决方案;通过将图像到图像翻译网络和立体匹配网络联合优化,我们提出一种基于边缘感知的生成对抗网络,同时有效解决了两个任务;通过Sobel算子获取输入图像的边缘图像,并将其作为编码器的额外输入,以在翻译过程中强制保持几何一致性;此外,通过计算翻译图像的变形损失来维持立体一致性;我们证明了我们的模型比现有模型产生了更好的定性和定量结果,并且其适用性扩展到包括自动驾驶在内的各种领域。
Apr, 2024
通过扩展多个极坐标系统,提出了MP-PolarMask(多点极坐标掩膜)模型,用于表示更复杂的凸凹混合形状,在COCO数据集的通用对象和食物对象中验证了模型,在AP_L上的改进为13.69%,AP上的改进为7.23%。
Jun, 2024