Aug, 2023

背景去除对时尚图像分类和分割神经网络性能的影响

PDF
TL;DR通过移除时尚图像的背景以提高数据质量和模型性能，本文对时尚图像进行背景去除的研究进行了实验，结果表明背景去除能够有效地提高简单网络模型在时尚数据分类任务上的准确性，但在深度神经网络中与其他正则化技术不兼容，存在过拟合的风险。
fashion understandingcomputer visionbackground removalmodel performancedeep neural networks
发现论文，激发创造
  • 有针对性的背景去除创造了可解释的特征可视化

    本研究利用背景删除技术作为强健训练的方式，探索性地修改了训练过程，从而提高了黑盒子机器学习模型特征可视化的解释能力，并验证了此假设通过四种不同的训练方法。图像的特征可视化结果表明，使用背景删除图像比使用未修改数据的模型的改进更为显著。

    Jun, 2023

  • 一种用于背景消除的深度卷积神经网络

    本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。

    Feb, 2017

  • 有对象和无对象的物体识别

    本文提出了一种训练深度神经网络的新方法，分别对图像前景（对象）和背景（上下文）区域进行训练，并将多个训练网络结合在一起，以提高图像识别性能，证明了所提出的框架的优点。

    Nov, 2016

  • 语义分割中增量学习的背景建模

    本文探讨了深度架构在更新模型上的遗忘问题和在语义分割中的特殊性，提出了一种基于蒸馏的框架解决语义分割中的背景类语义分布不一致的问题，并引入了一种新的分类器参数初始化策略，最终在 Pascal-VOC 2012 和 ADE20K 数据集上显著优于现有的增量学习方法。

    Feb, 2020

  • 缓解偏差：通过改进模型解释增强图像分类

    本文针对深度学习模型在图像分类中忽略主体目标的问题，提出了一种基于前景引导的分类器学习方法，在损失函数和架构组件方面作出一些修改，加强分类器对主体目标的关注并在基准数据集上测试，结果表明该方法可以提高图像分类器的识别准确性。

    Jul, 2023

  • 通过添加背景来消除背景：走向背景鲁棒的自监督视频表征学习

    本研究提出了一种背景擦除方法，通过自监督学习强制把加入静态帧后的干扰视频特征和原视频特征拉近，从而有效减弱模型对背景的依赖，更加关注运动变化，实现对深度神经网络视频表征能力的提升。

    Sep, 2020

  • 计算机视觉模型中背景偏差去除的遮盖策略

    我们的研究调查了背景引起的偏见对细粒度图像分类的影响，并评估了卷积神经网络和视觉变换器等标准骨干模型在不同遮罩策略下的行为，得出早期遮罩在 ODD 性能方面表现最佳的结论。

    Aug, 2023

  • 时装上下装物体检测

    本文提出一种使用计算机视觉技术实现服装图像分割的方法，该方法基于经过训练的模型自动检测人体部位，并使用 Mask RCNN 算法对图像中的下装和上装进行检测和划分，取得了较好的效果。

    May, 2023

  • 通过数据高效训练和减小 CNN 偏差在红外图像上进行背景不变分类

    本研究提出了一种新的两步训练过程，称为 split training，旨在减少卷积神经网络中对背景纹理的学习，通过使用均方误差损失和交叉熵损失，对简单 CNN 架构和 VGG 及 Densenet 等多路硬件使用的深度 CNN 架构进行训练，其准确率更高，并且能够学习模仿更注重形状和结构而非背景的人类视觉。

    Jan, 2022

  • 噪音还是信号：图像背景在物体识别中的作用

    通过对 ImageNet 图像前景和背景信号的分离，发现现代物体识别模型往往依赖于背景信号，影响了模型的分类效率和漏洞表现。

    Jun, 2020