本文介绍了一种机器学习方法,用于学习基于图像检索的定位图像特征,通过引导学习过程,使图像特征与几何距离成比例,并在实验中表现出更好的定位准确度以及在缺乏参考图像的情况下估计查询序列轨迹的能力。
Mar, 2020
我们提出了一种新颖的端到端 Transformer-style HOI 检测模型,即几何特征增强的 HOI 检测器 (GeoHOI),通过度量关键点的相似性以及局部关键点图像补充互动查询表示,以提升 HOI 预测的性能。 extensive experiments 表明,该方法在 V-COCO 上优于最先进的模型,并在 HICO-DET 上实现了竞争性能,案例研究结果表明了该方法在基于视觉仪器的灾后救援中的适用性。
Jun, 2024
采用归纳学习的方法,提出了基于对象骨架的拓扑结构的形式化表示,并实现了 “寻求共同点” 的归纳过程,从经验主义推进到合理主义的目标。
Jun, 2023
利用 lenet-5 体系结构的权重共享和特征提取和分类的优势,构建了一个几何图形识别算法模型,通过在识别过程中使用交叉熵损失函数来提高模型的泛化性能和测试数据集的平均识别准确率。
Apr, 2024
本研究提出一种基于几何特征的图卷积网络用于人 - 物交互识别,结合了人体姿态和物体位置等几何要素与视觉特征,在多人和多物体的情况下显著提高了识别准确率,并构建了新的多人人 - 物交互数据集 MPHOI-72。
Jul, 2022
本文是关于光学遥感图像中物体检测的文献综述,涵盖目标检测的众多方法,包括基于模板匹配、基于知识、机器学习等,同时讨论现有研究的挑战并提出两个有潜在发展的研究方向,即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。
Mar, 2016
本文提出了一种基于几何线索的开放式物体检测方法 GOOD(Geometry-guided Open-world Object Detector),使用深度和法线等几何线索来伪标记未标记的新物体,从而显著提高新物体类别的检测召回率,通过在 COCO 数据集上使用单一的 “人” 类别进行训练,GOOD 在 AR@100 上相对于 SOTA 方法提高了 24%,达到了 5.0%的改进。
Dec, 2022
DiGeo 通过学习基于几何意义的特征来增强少样本目标检测的鲁棒性,并成功地实现了对新类别的泛化,同时不影响对已知类别的检测精度。
Mar, 2023
本文通过训练深度神经网络,并选取合适的类别原型,在动物的辨识中测试其广义化能力,结果显示其泛化函数随着类别数量的增加而逐渐递减,这一发现支持了研究的假设,即广义化过程反映了物体检测和识别的自然特性。
Jun, 2022
该论文重新考虑了在形状重建中可能被忽视的 “边界” 线索以及其他已建立的约束条件,并通过多项用户研究和定量任务评估了这些线索相对于彼此的信息量,结果表明这些线索在未来的形状重建研究中提供了很多新的方向。
Dec, 2019