关键词geometric transformation
搜索结果 - 7
- 利用 X 射线微束数据的几何变换增强语音发音分析
本文提出了一种新的几何变换方法，将解剖标志物的 X-Y 坐标映射到唇缝、唇前突出、舌身收缩位置、舌身收缩程度、舌尖收缩位置和舌尖收缩程度六个相对量度中，以改善解剖物点的准确度与鞍骨微束数据集中的嗓音区域解剖图像的映射。
- 具有几何变换感知架构的非物体中心图像的自监督学习
提出了一种几何变换敏感的模型结构，用于自我监督图像预训练，可在非物体中心图像上提供更好的性能表现，可应用于图像分类、语义分割、检测和实例分割等多项任务。
- 分层动态图像调和
本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。
- CVPRDFM: 深度特征匹配性能基准
本文提出了一种新颖的图像匹配方法，利用预先训练的 VGG 神经网络提取图像特征，在首次较好的几何转换估计后，再以分层的方式重复运用该方法，达到良好的本地化和匹配性能。该算法在 Hpatches 数据集上达到了 0.57 和 0.80 的平均 - 相干点漂移网络：非刚性点集配准无监督学习
该论文提出了一种名为 CPD-Net 的新方法，利用深度神经网络实现无监督学习，通过学习位移函数来进行非刚性点集配准，解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题，从而实现了对未曾见过的点对进行预测。
- 非刚性点集配准网络
该论文介绍了一种基于神经网络的点集配准方法 PR-Net，该方法通过学习训练数据集中的点集的形状描述符，预测了点集之间的空间变换，以最优的方式配准点集，具有较强的鲁棒性，并可以应用于非刚性配准，对于新的点集配准，可以直接使用训练好的模型预测 - 弱监督 2D 点集配准的语义匹配
本文提出了一种卷积神经网络的方法来处理物体相同实例之间的对应关系问题，定义了一个新的基于循环一致性的损失函数来解决 2D 点集的注册问题，并在 Proposal-Flow（PF-PASCAL）数据集上进行了训练和测试，取得了最先进的结果。