基于有效的 MLP 点导向分割网络的含模糊边界矿石图像
提供了一种具有纹理特征的有效的箱式监督技术用于矿石图像分割,该技术能够识别完整和独立的矿石,并通过使用 Ghost-FPN,优化的检测头以及融合特征相似性损失函数来提高准确性。这种方法在矿石图像数据集上保持了高水平的准确性。
Nov, 2023
该研究提出了一种名为 OreYOLO 的方法,通过将注意机制和多尺度特征融合策略结合到金矿和硫化矿石的矿石数据中,提高了模型的检测性能和准确性。实验证明 OreYOLO 在金矿和硫化矿石分类训练中优于常用的高性能目标检测算法。
May, 2024
本文提出了一种名为 PointMLP 的纯残差 MLP 网络,它不使用复杂的局部几何提取器,但仍能表现出很高的竞争力,装备了提出的轻量级几何仿射模块,PointMLP 在多个数据集上都达到了新的最佳状态,相对于大多数最近的 CurveNet,PointMLP 的训练速度快两倍,测试速度快七倍,并在 ModelNet40 基准测试中获得更高的精度。
Feb, 2022
本文提出了一种轻量级有效的少样本探测器来实现在含有黄金图片样本时与一般目标探测相竞争的性能,其中支持特征挖掘块刻画了支持特征中的位置信息的重要性,关系指导块充分利用支持特征引导准确候选区提取,双尺度语义聚合模块检索不同分辨率的详细特征以对预测过程做出贡献。该方法在所有指标上均持续超过现有的少样本探测器,并在模型大小上达到 19MB 的最小值,以及与普通目标探测器相竞争的 50 FPS 探测速度。
May, 2023
本文提出了一种新的监督学习框架,用于将 3D 点云超分割成超点,并且利用局部几何和辐射度的深度嵌入来计算超点,从而使对象的边界呈现高对比度。该方法可以显著地提高点云超分割结果,并且可以用于改善基于超点的语义分割算法。
Apr, 2019
通过使用强度感知距离图和边界损失,本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明,这种监督策略具有巨大潜力,并在实验中取得了令人鼓舞的初步结果。
Nov, 2023
该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法,其通过建立一个具有两个分支(定位网络和嵌入网络)的网络,使用伪标签和相似嵌入方法来提高分割效果,在特定情况下,可以获得有竞争力的结果,并且是一种实例分割点级别监督的强基准线。
Jun, 2019
本文介绍了一种用于水果检测和计数的图像处理框架,使用单眼视觉系统所获得的高分辨率图像数据,包括多尺度多层感知器和卷积神经网络,结合元数据进行分割和检测,并在商业苹果园中进行了实验,得出了最佳性能。
Oct, 2016
本文提出了一种新的多对象跟踪方法,该方法利用无序的 2D 点云表示来生成实例嵌入,从随机选择的点中学习辨别实例嵌入,利用多种信息数据模态来丰富点特征,基于此建立了在线 MOTS 系统 PointTrack,在三个数据集上进行评估,并构建了一个更具挑战性的 MOTS 数据集 APOLLO MOTS。
Jul, 2020