May, 2024

使用黑屏亮度键控进行目标检测和分割的快速训练数据获取

PDF
TL;DR我们提出了一种快速和简单的训练图像获取方法，使用高吸收度（99.99％）的黑色屏幕录制目标对象的约 1 分钟长视频，通过简单的亮度阈值处理自动划分对象区域，将对象放置在随机背景上并训练 2D 目标检测器，避免了传统技术的 3D 网格、材料或其他信息的需求，极大地提高了训练数据获取的准确性和效率。
deep neural networkstraining datachroma keyingluminance keyingobject detector
发现论文，激发创造
  • 基于深度学习的色彩感知时序双向剪影系统

    本文提出利用基于神经网络的时序多背景制作系统，结合了绿幕抠图和 alpha matting , 可以最大限度解决色散问题并保证高质量的拍摄效果。

    Jun, 2023

  • 学习从单张图像预测室内照明

    本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

    Apr, 2017

  • 利用持续对比学习在黑暗中观测物体

    该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。

    Dec, 2021

  • 低光环境下目标跟踪的综合研究

    在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

    Dec, 2023

  • 改进的分割：学习适应暗光图像增强的亮度感知和细节敏感表示

    通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

    Jul, 2023

  • DeepLight: 为不受限移动混合现实学习照明

    本文提出了一种基于学习的方法，通过手机相机拍摄的低动态范围图像推断出高动态范围、全方位光照。通过使用不同反射功能材料在单个曝光中显示不同的光照提示，我们训练深度神经网络从低动态范围背景图像回归到 HDR 照明。通过图像重照操作，我们与预测光照匹配，实现了渲染虚拟物体进入现实环境中。与现有技术相比，我们对自动曝光和白平衡视频进行训练，提高了室内外场景渲染对象的真实感。

    Apr, 2019

  • 基于照明的数据增强方法用于强健背景减除

    通过数据增强方法和欧几里得距离变换技术，本研究成功地模拟了视频中的强光、阴影效果，并训练出一个抗光照变化的深度学习模型，实现了背景减除的提高。

    Oct, 2019

  • 充满挑战的光环境中的颜色识别：卷积神经网络方法

    基于卷积神经网络的颜色检测方法可以显著提高在不同光照条件下的稳健性，并且比现有方法表现更好。

    Feb, 2024

  • 室内场景物体检测训练数据的合成

    本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

    Feb, 2017

  • 基于 RGB-D 航空图像的自举卷积神经网络建筑物分割

    本文介绍了一种用于提高机器视觉中自动化建筑识别性能的方法，该方法结合了卷积神经网络和 Bootstrapping 技术，只利用原训练数据的六分之一，并在一个航空图像数据集上获得了高达 95.10％的精度 - 召回率平衡。

    Oct, 2018