本文提出了一种生成大规模合成数据集的方法 --Jacquard 抓取数据集,并在实验中使用了一个 CNN 模型进行了测试,结果表明该数据集比人工标记的数据集具有更好的性能表现和泛化能力。同时,该文还提供一个网页界面,帮助其他研究人员通过该数据集测试物体的抓取性能。
Mar, 2018
本文采用大规模数据集和多阶段学习方法,使用卷积神经网络对机器人进行抓取任务,与几个基准进行比较,表现出了最先进的泛化能力。
Sep, 2015
本文提出了一种基于虚拟图像学习的方法来解决人 - 物交互检测任务中类别分布不平衡的问题,通过借助虚拟图像和真实图像训练模型,构建伪标签以及结合现有方法进行训练,取得了显著改进并实现了新的最先进结果。
Aug, 2023
通过部分自动化标记方案,我们扩大人类工作量,借助深度学习来提高图像分类的准确性,并构建一个新的图像数据集 LSUN,这对于进一步的视觉识别研究具有重要作用。
Jun, 2015
通过实例级隐式重建,我们提出了 Ins-HOI,一种端到端解决方案,用于恢复人与物体之间的详细交互。我们引入了实例级占据场来支持同时表示人 / 手和对象,并使用补充训练策略处理实例级基准缺失的问题。我们的方法 Ins-HOI 能够在极近交互的情况下生成合理和真实的非可见接触表面,并提供了一个大规模高保真度的 3D 扫描数据集用于研究。
Dec, 2023
本研究提出了一个基于深度度量学习的迭代框架,针对细粒度视觉分类方法中的数据不足、大量类别和高内部变异性等问题进行了处理,并在 Instagram 图片中引导 620 个类别的细粒度花数据集,同时在 CUB-200-2001 Birds 数据集上进行了实验,证明了该方法的有效性和识别性能的显著提高。
Dec, 2015
本研究提出了一种合成数据生成方法,结合小规模真实数据集,通过生成的合成场景数据和深度信息,训练出在物体识别、姿态估计和图像分割等方面表现优越的机器人抓取算法。
Jan, 2024
本文介绍一种创建数据清理的分割的方法,通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性,并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法,同时还能最大限度地减少获取高质量训练数据的成本和精力。
Apr, 2023
提出一种基于人机交互 (Human Verification Incremental Learning) 的人体再识别模型,将人类反馈信息累计到模型中,从而实现模型的标记无关性和可伸缩性,同时使用正则化的度量集成学习 (Regularised Metric Ensemble Learning) 模型,当没有人类反馈时将一系列增量学习的 HVIL 模型结合成单个集合模型,以处理大型库问题。
Dec, 2016
本文提出了一种人机知识混合增强方法,用于从头开始积累少量数据,并将其作为先验知识提供给模型进行少数据学习,进而在工业缺陷检测中取得了可行性和有效性的进展。