通过精细面部深度生成和 RGB-D 互补特征学习来提高 2D 面部识别
本研究利用卷积神经网络和弱监督方法,提出了一种能够在有限深度图像条件下学习具有较强区分性的深度特征,从而实现了 RGB-D 场景识别的最新成果,达到了最好的表现。
Jan, 2018
该研究介绍一种基于深度学习的 RGB-D 场景识别方法,提出了一种深度学习模型训练的两步骤方法和一种新的 RGB-D 视频数据集,实现了在 RGB-D 图像 (NYUD2 和 SUN RGB-D) 和视频 (ISIA RGB-D) 场景识别方面的最优表现。
Sep, 2018
本文提出了一种称为循环卷积融合(RCFusion)的新型 RGB-D 物体识别端到端架构,能够通过组合互补的 RGB 和深度信息表示不同抽象层次的信息来生成紧凑且高度可区分的多模态特征,并在两个流行数据集上的实验中,优于现有的最先进方法。
Jun, 2018
本文提出了一种名为 LDFNet 的新型解决方案,通过融合网络来综合利用亮度,深度和颜色信息,以提高 RGB-D 语义分割任务的性能,实验表明其潜力和适用性
Sep, 2018
本文提出了一种基于深度图像质量的特征处理方法(DQFM)和一种高效的轻量级模型(DFM-Net),用于 RGB-D 显着目标检测,通过跨模态融合来增强深度质量,并在非常高效的情况下实现了最先进的精度和性能。
Jul, 2021
本文提出一种高效紧凑的深度神经网络来进行 RGB-D 显着目标检测,首先通过从头学习构建轻量级深度流提取有效特征,然后使用指导残差块交替地将 RGB 和深度特征输入,通过分层指导减少互相降解并提高效率,大量实验结果表明该模型在精度和效率方面相对于现有方法均有改进。
Aug, 2020
通过 3D 可塑模型构建多样化的深度数据集,利用预训练的 RGB 和深度模型对人脸进行识别,引入自适应置信加权机制实现模态融合,提高 RGB-D 人脸识别的性能。
Mar, 2024
使用卷积神经网络,采用 RGB-D 架构,通过两个不同模式的 CNN 处理流程结合延迟融合网络来识别物体,同时引入多阶段训练方法以及进行数据增强方案,使得处理 RGB-D 图像更加健壮,同时在真实嘈杂环境中取得了最先进的识别结果。
Jul, 2015
提出了一种利用高层次、中层次和低层次特征的深度卷积神经网络结构以及适用于学习方法的新颖深度特征,并在 RGB-D 显著目标检测方面表现出比现有方法更好的效果,特别是在 RGBD1000 数据集上,其 F-Score 达到了 0.848,比第二名高出 10.7%。
May, 2017
本文提出了一种使用深卷积神经网络和 3D 数据扩增技术的新型 3D 人脸识别算法,表明 2D 人脸图像 CNN 训练的迁移学习可以有效用于 3D 人脸识别,同时采用一种 3D 人脸扫描的数据扩增技术,可以改进 3D 人脸识别的性能。
Mar, 2017