V2C-Long:带时空对应的纵向皮层重建
本文提出了一种基于卷积神经网络的方法,借助高水平结构对应信息(即解剖标记)推测像素变化,从而实现多模态图像对齐。结果表明,该方法具有广泛的适用性,可在训练过程中利用各种不同类型的解剖标记,并能实现实时自动化、无需标记或初始化的三维图像对齐。
Jul, 2018
本篇论文介绍了一种基于深度学习和连续变换函数的方法进行 4D 形状重建,使用一个鲁棒的时空形状表征方法来视觉化地表达这些形状并通过动力学模型对其进行建模,实现了四维人体重建。
Mar, 2021
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
本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力,从而在多目标跟踪方面取得了最先进的效果,并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。
Apr, 2021
本研究提出了一种深度学习方法,用于在人体的 3D 扫描之间寻找密集的对应关系,深度卷积神经网络用于训练特征描述符,通过区域分类问题解决多种问题,并验证我们的方法在真实数据和合成数据上都表现出了优异的稳定性和准确性。
Nov, 2015
本文提出了一种新的 CTL 框架来实现视频行人重新识别,其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征,采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征,并通过构建多尺度图形来捕捉分层时空依赖性和结构信息,最终证明了该方法在两个视频基准上实现了最先进的表现。
Apr, 2021
通过利用跨模式和视角的对应关系,该论文提出了一种新颖且有效的自监督学习方法,联合学习 2D 图像特征和 3D 点云特征,并通过神经网络评估跨模态的对应关系,而无需使用人工标注标签。
Apr, 2020
本研究提出了一种利用自我监督技术在二维领域进行细粒度三维形状分割任务的方法,并实现对 3D 形状的多视角表征,透过对比学习框架中密集对应关系的学习任务,实现对 2D 表征的无视角和几何一致性特性的学习,经实验表明,该方法在纹理和无纹理的三维数据集上的表现优于现有的最先进方法,尤其在训练仅局限于少量标记数据或形状纹理较丰富时的表现更加优异,证明了二维处理和三维几何推断对该方法整体的提升效果。
Aug, 2022