不同外貌间的互信息计算
本论文提出了一种实用的建立图像间稠密一一对应的方法,利用像素的上下文信息估计本地尺度,并使用三种方法在整个图像中保持比例不变特征提取,有效地解决了局部尺度不同的问题,实现了不同图像之间的准确的稠密对应,且计算成本较小。
Jun, 2014
本研究提出了一种新的增强对准度量方法(E-measure),结合了局部像素值和图像级平均值,并与现有的二元前景图测量方法相比,在四个广泛应用于计算机视觉领域的数据集上表现出较高的优越性。
May, 2018
本文针对在图像检索中几何对应验证,提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型,并通过实验证明了该模型具有竞争力。此外,将该方法应用于长期视觉本地化问题,并在跨数据集上进行了验证。
Apr, 2019
评估最近算法在图像匹配及极线几何评估中的表现,并利用它们设计出更实用的注册系统,扩大计算机视觉任务的应用,通过四个大型数据集的实验,提出了三种高质量的匹配系统和粗-细 RANSAC 评估器,具有潜在的应用前景。
Aug, 2019
该论文提出了两个新的图像特征,即信息比率(IR)和相互信息比率(MIR),并在信息理论的背景下阐述了IR和MIR的关系,用于图像重建,拼接,镶嵌和识别等计算机视觉任务,并在INRIA Copydays数据集和Oxfords Affine Covariant Regions上进行了数字评估,证实了这些特征在实际计算机视觉任务中的有效性。
May, 2020
本论文探讨了基于对比学习的图像表示学习方法,提出了一种最大化互信息的下界的目标函数,并在实验中发现选择难度更大的负样本以及视角可以提高算法性能。通过比较多种学习方法,研究结果表明,基于互信息的目标函数可以使得算法在分类、边界框检测、实例分割和关键点检测等任务上获得更好的表现。
May, 2020
本文回顾了十多年来用于立体匹配置信度估计的算法和策略,并评估了现有的置信度估计方法,包括手工设计的和最新的基于学习的方法,在五个标准数据集上进行实验,并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较,旨在提供该领域的全面概述,并突出了基于学习的方法的优势和局限性。
Jan, 2021
该研究提出了一种名为BiCro的框架,可提高交叉模态匹配模型的噪声鲁棒性,通过估计噪声数据对应度的软标签来训练匹配模型。实验结果表明,该方法明显提高了各种匹配模型的抗噪声能力,并领先于同类研究成果。
Mar, 2023
本文研究了多模态信号处理和分析的应用,通过利用信息计量的概念和InfoMeter系统,分析了自动驾驶的大规模数据集中的多模态3D物体检测系统,并提出了低模态间信息量对于检测准确性有益的新见解。
May, 2024
应用信息理论于成像系统的研究中,通过建模对象和测量之间的概率关系,利用只有噪声测量数据的方法估计信息,进而综合量化测量质量,优化成像硬件设计,探索成像系统的基本性能极限,并提供分析和设计工具。
May, 2024