AAAIMar, 2023

学习二阶注意力上下文，以实现高效的对应剪枝

PDF
TL;DR本文提出了一种基于二阶关注上下文的出色的、高效的对应关系修剪方法，可以在维持效率的同时确保有效性。通过实验证明，与现有工作相比，我们的方法具有更好的去除异常值的效果，并可以获得 14 倍的加速比。
correspondence pruningattentive contextsecond-order attentionoutlier removalefficiency
发现论文，激发创造
  • 一致性学习逐步对应关系剪枝

    本文提出了一种基于一种局部到全局一致性学习过程的 “修剪” 块来逐步修剪对应关系的算法，能在鲁棒直线拟合、相机位姿估计以及基于检索的图像定位基准测试中以显著的优势胜过现有算法，并展现出对不同数据集和检测器 / 描述符组合的良好泛化能力。

    Jan, 2021

  • BCLNet：双边共识学习用于双视图对应关系修剪

    通过并行上下文学习策略，我们提出了 Bilateral Consensus Learning Network (BCLNet) 来有效估计相机姿态并识别内点（真实对应关系），实验证明我们的网络在基准数据集上不仅超过了最先进的方法，而且展示了对各种特征提取技术的稳健泛化能力。

    Jan, 2024

  • 使用有序感知网络学习二视图对应和几何

    本研究提出了一种基于 Order-Aware Network 的方法，通过学习两个图像间特征点的对应关系概率和相对姿态编码，分别用三个新颖的操作捕获局部和全局的空间信息，特征点聚类和上采样操作优化了特征对应和两图之间的几何关系，结果在室内外数据集上表现明显优于现有技术。

    Aug, 2019

  • 可学习的运动相干性用于对应关系剪枝

    本文提出了一个名为 Laplacian Motion Coherence Network（LMCNet）的神经网络，用于学习运动相干性属性，进而对冗余对应进行修剪，该网络使用了图拉普拉斯算子解决了运动相干性模拟中的挑战，通过不同可微层的组合，从候选对应关系中提取局部和全局的运动相干性，从而提高了拍摄动态场景的相机位置估计和冗余对应去除的效果。

    Nov, 2020

  • 逐步对应剪枝的图上下文转换学习

    提出了图上下文转换网络（GCT-Net），通过增强上下文信息进行共识引导以实现渐进式对应关系修剪，并使用图上下文增强变换器和图上下文引导变换器来放大每个图上下文的特征以强调独特的以及共享的基本信息，并通过全局域中的重新校准的图上下文进行引导。实验结果表明，在室内和室外数据集上，GCT-Net 相对于当前最先进的方法在离群值去除和相对姿态估计方面表现出更好的性能。

    Dec, 2023

  • 学习如何发现好的对应关系

    该研究使用多层感知器来优化广基准立体匹配的好匹配点，同时恢复相对位置关系，该网络基于像素坐标运算而非直接图像处理，提出了一种称为上下文规范化的新型正则化技术，使得可以单独处理每个数据点并赋予全局信息。在多个数据集的实验中，该方法使用少量训练数据就能显著提高现有技术的水平。

    Nov, 2017

  • 动态上下文对应网络（DCN）用于语义对齐

    该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。

    Sep, 2019

  • 基于梯度学习的运行时剪枝加速注意力机制

    通过引入一个软正则化器来优化自注意力机制的计算，新提出的 LeOPArd 位串行体系结构可以在不损害平均精度的情况下提高计算速度和降低能源消耗。

    Apr, 2022

  • 面向目标检测的局部感知通道裁剪

    本研究提出了一种基于 DCP 的定位感知辅助网络，用于直接剪枝目标检测中的关键信息通道，相较于现有的技术，可以在减少 70% 的参数的同时，保持检测准确度，提高计算效率。

    Nov, 2019

  • 基于误差上下文修剪的隐式神经表示元学习的高效实现

    针对大规模隐式神经表示（INRs）的学习，我们提出了一种高效的优化元学习技术，通过在线选择上下文点，可以在任何已知场景中大幅减少元学习的内存需求，实现上下文剪枝以及信号适应。此项技术提出了三个具有技术性新颖性的方案：context pruning 方案的提出，来自全局结构预测误差的适应性选择策略，以及测试时间梯度缩放方案，具有显著的重构改进。

    Feb, 2023