- 使用稠密物体描述符进行杂乱物品拾取的强化学习
本文提出了一种密集的杂乱物品描述符,即 Cluttered Objects Descriptors (CODs),并结合其中间输出和预训练的 CODs 网络训练选取策略,使用强化学习方法使其能够在累积的情况下学习选取杂乱的一般物品,实验结果 - SiLK -- 简单学习关键点
本文采用学习法重新设计现有的关键点检测器,提出了一种名为 Simple Learned Keypoints (SiLK) 的新方法,其表现优异,并在多项任务中获得了最新的最佳性能。
- ALIKED: 一种基于可变形转换的轻量化关键点和描述符提取网络
本研究介绍了 Sparse Deformable Descriptor Head(SDDH)模型,它通过采用少量关键点来提高描述符抽取的效率和表现,适用于多种视觉测量任务,包括图像匹配,三维重建和视觉重定位。
- CVPRFeatureBooster: 用轻量级神经网络增强特征描述子
我们介绍了一种轻量级网络,用于提高同一图像中关键点描述符的准确性,并在图像匹配、视觉定位和结构运动任务中进行评估,结果显示我们的方法显著提高了每项任务的性能,特别是在具有挑战性的情况下,例如大的照明变化或重复图案。
- ECCV基于图像定位的语义描述符训练
本研究使用图像检索为基础的视觉定位方法,通过从语义分割图像中提取出的描述符可在强烈光照和季节变化的环境下实现可靠的定位,实验结果表明,这种方法的定位性能可与最先进的基于 RGB 图像的方法相媲美。
- ALIKE:精准且轻量级特征点检测和描述子提取
提出了一种局部可微的关键点检测模块,能够输出精确的亚像素关键点,用于在各种任务中达到与现有最先进方法相当的性能,同时大大减少了推理时间。
- CVPRASLFeat: 学习准确形状和定位的本地特征
ASLFeat 是一种新的本地特征检测器和描述符结合的方法,使用可变形卷积网络估计本地特征点的形状,从而实现更强的几何不变性。此外,ASLFeat 使用层次结构以恢复空间分辨率和局部细节,并通过尖锐度测量来推导最有指示性的检测分数,以进一步 - LiFF: 光场特征的尺度与深度
利用新的 4D 光场特征检测器和描述符 LiFF,可以检测出鲁棒的特征并估计深度,提高了 3D 重建的精度,并在运行速度方面比领先的 4D 方法快一个数量级。
- 基于数据驱动的中层次音乐特征建模方法
通过使用深度学习,本文提取了中等级别的音乐特征和描述符,并在情感识别方面进行了应用。
- 材料数据机器学习描述符
该论文阐述了如何将化合物表示为描述符,并将其应用于材料数据的机器学习模型。
- 利用机器学习预测分子物理性质的化合物表示方法
通过密度泛函理论计算,本文使用化学描述符生成系统性描述符,并构建了一个基于核岭回归模型的机器学习模型,预测化合物的物理性质,预测误差为 0.041 eV/atom,具有良好的预测性能和高效优化的效率。
- 关于化学环境的表征
本研究回顾了一些最近发表的表示原子邻域环境的方法,并分析了它们在忠实度和适用于拟合势能面方面的相对优点。我们展示了使用具有增加的角波数的有限基函数集来扩展原子邻域密度函数的通用方法的具体案例。我们还提出了一种全新的方法,称为光滑重叠原子位置