Jan, 2024

基于本地自适应聚类的自动视觉识别中的图像匹配

PDF
TL;DR本文介绍了一种基于计算机视觉的视觉辅助识别系统，通过图像匹配在监控视频中实现实时自动设备标注。该系统采用 ORB 算法提取图像特征和 GMS 算法去除错误匹配点，利用局部自适应聚类（LAC）方法来增强标签定位，该方法通过聚类中心对匹配模板进行分割，提高了标签的效率和稳定性。实验结果表明，LAC 有效地限制了标签的漂移。
monitoring camerascomputer visionequipment labelingimage matchinglocal adaptive clustering
发现论文，激发创造
  • 基于图式元聚类和正则化适应的局部自适应人脸识别

    本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模型在特定环境下的准确性能。

    Mar, 2022

  • 室内视觉定位的深度密集局部特征匹配和车辆去除

    本文提出了一种使用深度密集局部特征匹配和车辆检测器相结合的视觉定位框架，以消除车辆造成的虚假匹配，实现对室内停车场的定位，并在基准数据集上取得了 86.9% 的准确率，表现优于现有方法。

    May, 2022

  • 基于深度学习的局部特征匹配：综述

    本研究对本地特征匹配方法进行了全面的综述，将其分类为基于探测器和不基于探测器两类，并探索了其在不同领域的实际应用和面临的当前挑战，以及未来的研究方向。

    Jan, 2024

  • 一种基于树结构的技术，用于物体跟踪系统中高效实时的标签检索

    通过 Adaptive BCCF-tree 索引机制和 IoVT 架构，提出了一种在大规模视频监控系统中实现多物体自动标记的新解决方案，该方案可以优化实时跟踪性能。

    May, 2022

  • 无监督视频重新识别的动态标签图匹配

    本文旨在探讨如何在无监督行人重识别系统中进行跨摄像头标签估计，并提出了一种动态图匹配方法 (DGM)，通过学习中间估计标签来更新图像图和标签估计过程，降低跨摄像变化造成的不准确性。在多个基准测试中进行了广泛的实验，结果表明，DGM 与全监督基线相当，并优于竞争的无监督学习方法。

    Sep, 2017

  • 聚类外观模式学习车辆检测

    研究如何高效处理物体检测中的类内差异，通过学习来自视觉和几何对象实例簇的检测模型的集合，探讨了遮挡和方向处理策略。采用像素查找特征的 AdaBoost 检测方案，有望在检测性能和方向估计精度方面设计出强健的车辆检测系统。

    Mar, 2015

  • 面向相机感知的无监督个体再识别标签优化

    我们介绍了一个减少相机差异的相机感知标签细化框架，通过聚类相机内的相似性进一步对齐特征分布并减少跨相机特征相似性计算中的性能退化问题。

    Mar, 2024

  • CLIP-Loc：面向基于物体的地图的多模式地标关联全局定位

    通过使用多模态数据关联方法，结合基于对象的地图和相机图像，本文描述了一种全局定位的方法。我们尝试使用 Vision Language Model (VLM)，通过自然语言描述标记地标，并基于图像观察的概念相似性提取对应关系，从而提高了全局定位的准确性和效率。

    Feb, 2024

  • 基于图像颜色分量的模板匹配实现自动实时车辆分类

    本研究提出了一种利用快速运行的基于最佳颜色波段选择的模板匹配算法，通过在低成本硬件上实现模板匹配和车辆分类来应对颜色图像场景变化的实时系统。

    Oct, 2022

  • 跨视角基于学习的关系对象匹配

    本论文提出了一种基于 RGB 图像的目标检测匹配的学习方法，结合了局部关键点与新颖的物体级特征，通过关联图神经网络训练，在许多视图上具有较好的性能并优于现有的纯关键点匹配方法。

    May, 2023