抗部分遮挡的鲁棒方法
本篇论文介绍了一种用于检测部分遮挡对象的语义部分的方法,该方法使用本地视觉线索的置信度进行语义部分的检测并使用简单的投票技术来处理局部线索。实验证明,该方法在存在遮挡的情况下,在语义部分检测方面性能优于其他竞争方法。
Jul, 2017
本研究提出了 CompositionalNets,一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构,具有天生的部分遮挡鲁棒性,同时能够将图像分解为对象和上下文,并基于非遮挡部分的对象来识别遮挡对象。实验结果表明,CompositionalNets 在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势,并可以准确地定位遮挡物。
Jun, 2020
本研究旨在提出一种称为 “组合卷积神经网络” 的模型,通过整合组合模型和卷积神经网络的特性,能够在部分遮挡的情况下进行分类和定位,与传统的卷积神经网络比较表现出更强的鲁棒性和准确性。
Mar, 2020
通过批量数据增强技术中的遮盖作为数据增强手段,在高容量模型上(例如 ResNet50)的图像分类任务中,为提高性能提供了一种简单的技术;同时,可以使用不同数量的遮挡来研究不同神经网络架构的鲁棒性。
Oct, 2019
本文提出了一种利用语境感知的 Compositional 物体检测网络,通过对上下文的切分以及扩展部件投票机制来解决部分物体被遮挡的问题,实验表明该模型在检测上表现出了强大的鲁棒性。
May, 2020
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
本文利用深度学习网络结构,使用单个深度图像为输入,实现了语义分割中对可见和遮挡物体及其部分的类型预测,将语义类别进一步细分为背景和多个前景物体组,并改进了标准的交叉熵损失函数以适应这种情况,实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别,无需增加网络结构规模,其性能在由 SUNCG 数据集生成的新数据集上得到验证。
Jun, 2019
本文介绍了将原型学习、部分匹配和自上而下的注意力调节集成到深度学习神经网络中,以实现在遮挡情况下的稳健目标分类。实验结果表明,所提出的网络显著提高了当前深度神经网络在遮挡下的鲁棒性。
Sep, 2019
本研究提出了一种采用深度神经网络进行多对象实例分割的方法,该方法能够通过 bounding box 监督训练,具有鲁棒性并能处理复杂场景中的遮挡问题,从而提高图像分类精度。
Dec, 2020
本文提出了一种基于深度学习的 DeepVoting 算法,该算法可以检测物体的语义部位,即使存在局部遮挡的情况,并可以同时进行端到端的优化,通过提取局部视觉线索和空间关系进行投票机制,实现了该任务。
Sep, 2017