Aug, 2023

通过本地一致性增强的孪生网络与互补损失用于二视图对应关系学习

PDF
TL;DR在近期两视图对应关系学习的研究中，我们从两个方面改进了现有框架。首先，我们提出了局部特征共识 (LFC) 插件块来增强现有模型的特征。其次，我们将现有模型扩展为具备相互损失的孪生网络，充分利用互相投影的监督信息，极大提高了匹配性能，而不引入额外的模型参数。基于 MSA-Net，我们实现了这两个改进，并在基准数据集上取得了最先进的性能。
correspondence learningrelative poselocal feature consensussiamese networkmsa-net
发现论文，激发创造
  • 邻域共识网络

    本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

    Oct, 2018

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 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

  • SRFeat：学习局部精确和全局一致的非刚性形状对应

    本研究提出了一个新的基于学习的框架，将对比学习的局部准确性与几何方法的全局一致性相结合，用于强健性非刚性匹配。

    Sep, 2022

  • 基于全局和局部表示的多网络对比学习

    提出了基于全局和局部特征表示的多网络对比学习框架，通过多个网络引入自监督对比学习的全局和局部特征信息，并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息，并扩展对比样本数，提高了模型的训练效率。在三个基准数据集上的线性评估结果表明，我们的方法优于几种现有的经典自监督学习方法。

    Jun, 2023

  • 具有高效中层特征提取的连体回归网络，用于三维物体姿态估计

    本文提出了一种基于 Siamese Networks 的、直接回归物体姿态的端到端学习框架，利用我们的姿态引导特征学习，在三维姿态估计领域中取得了更好的性能表现。该学习框架还具备在严重遮挡下仍可进行学习的能力，并在新颖的手 - 物体数据集上表现出高性能。

    Jul, 2016

  • 多尺度对比孪生网络用于自监督图表示学习

    本文提出了一种用于学习节点表征的自监督方法，通过改进 Siamese 自蒸馏方法和多尺度对比度学习，构建局部和全局两种视图，并采用交叉网络和交换视角两个目标，最大化不同视图和网络的节点表征之间的一致性，该方法在五个真实数据集上实验，不仅取得了新的最优结果，而且优于一些半监督方法。

    May, 2021

  • 一种递归循环一致性损失用于渐进式面对面合成

    本文提出了一种 “循环一致性损失” 的算法，旨在克服对面对面合成领域输入外观的保留，使生成的图像质量更高，同时提出了一种新的网络架构，以实现 “自由地基于 landmark 合成脸部” 的任务。

    Apr, 2020

  • 用共享权重网络的一般化对比学习进行地点识别的优化

    研究了 CNN 在视觉地点识别中的应用，提出了一种基于图像相似度的广义对比损失功能（GCL）函数，用于训练 Siamese CNN 并使用改进的注释来实现自动注释和视觉地点识别，实验证明 CNN 在这方面的效果优于目前主流的方法。

    Mar, 2021

  • SCNet：学习语义对应性

    本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

    May, 2017