- 将图像变换映射到像素处理器阵列
像素处理器阵列(PPA)是一种新的视觉传感器 / 处理器架构,具有一组 SIMD 处理元素,每个元素能够进行光捕获、存储、处理和本地通信。本文展示了如何直接在 PPA 上执行各种图像变换,包括错切、旋转和缩放。通过在蜂窝处理器阵列中利用并行 - $H$-RANSAC,一种基于无特征点集的单应性图像变换的算法变体:应用于基于视频的足球分析
提出了一种在没有描述性局部特征向量和点配对的情况下,从点集中检索到图像的单应性变换的广义 RANSAC 算法 H-RANSAC,并在每次迭代之前基于随机点对选择的四边形类型(凸形或凹形以及(非)自相交)提出了一种鲁棒准则来拒绝不可信的点选择 - 数据增强中图像变换对深度神经网络性能的影响
研究探讨了数据丰富对深度神经网络在超分辨率问题上的性能影响,并发现所有转换的混合提供了最佳结果。
- 自监督表示学习中没有免费午餐
本文研究探讨在计算机视觉中基于自监督表示学习依赖于手工图像变换以学习有意义且不变的特征,以及这些变换对于下游任务的影响、监督学习和微观图像等方面的问题。通过实验论证了变换对于下游任务的影响、监督数据集中各类别受到的影响各不相同和变换设计对微 - 几何矩阵推理任务中基于视觉想象力的类比构建
本文介绍使用类比和图像转换的计算模型解决 Raven 渐进矩阵测试问题,并证明了使用这些方法在标准版本中可以解决 57 个问题中的 60 个问题。
- 自监督抠像人像增强与生成
本文提出了利用 GAN 模型的潜在空间中的语义图片转换,在不改变人像图片本质特征的前提下,通过针对性的损失函数对 StyleGAN 的多个潜在向量进行优化,以提高任意 matting 算法从未知人像背景中去除背景物体的性能,并利用 Styl - CVPR3D 常见数据损坏及数据增强
本文提出了一组图像转换,用作对模型鲁棒性的评估,以及训练神经网络的数据增强机制。这些转换具有现实世界中更可能出现的损坏方式和语义,可以有效提高模型的鲁棒性,并为鲁棒性研究开辟了有前途的方向。
- ECCV深度神经网络的特征层级增强提高仿射变换鲁棒性
本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题,并证明该方法比已有的两种方法获得更好的精度和平均翻转比。
- 探究和利用图像转换对抗性检测的影响
本文综述了利用图像转换进行对抗检测的近期进展,并提出了一种名为 AdvJudge 的深度学习方法,通过结合 9 种图像转换的分数来判断对抗性示例,并利用可解释的 AI 工具显示了每种图像转换对对抗检测的贡献。
- 2021 图像相似度数据集与挑战
本文介绍了一个大规模图像相似性检测的新基准(ISC2021),目的是检测查询图像是否是参考样本集(大小为 1 百万) 中任何图像的修改副本,并提供了各种图像变换以模拟出现在社交媒体中的实际问题,以便解决有关虚假信息和不良内容的完整性问题,并 - 一种分层转换 - 判别生成模型用于少样本异常检测
本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法,该方法可以通过极少量的样本(few-shot)训练来鲁棒地检测出图像中的异常样本,实验表明该方法在多个数据集上的表现优于近期的基线方法。
- 通过输入转换、防御扰动和投票检测对抗性样本
本文探讨在可对抗的变形情况下检测对抗攻击,并提出一种名为 defense perturbation 的新方法来检测具有相同输入变换与可靠的对抗攻击。同时介绍了多网络对抗例子,这种对抗例子可以同时欺骗多个网络。
- 无需优化的 GAN“可控性
本研究提出一种能够从生成网络的权重中计算出转向轨迹的方法,不需要任何形式的训练或优化,并且可以控制不同转换之间的交互程度。此外,还可以在不进行任何优化的情况下实现图像之间的属性转移。
- 特征透镜:用于不变转换视觉表示的即插即用神经模块
通过引入 Feature Lenses,可以在不重新训练的情况下,使卷积神经网络在面对各种图像变换时更具鲁棒性,提高其不变性,此方法是基于无监督的自身对比学习训练的。在 ImageNet、MNIST-rot 和 CIFAR-10 数据集上验 - CVPR超越本地像素统计的自监督特征学习
基于对特定变换的区分,我们提出了一种自监督特征学习的新原则,指出所学特征的泛化能力取决于较大的图像邻域大小和其能够描述的更全局的图像统计信息,这可以 better represent objects' shape and configura - Kornia:一个针对 PyTorch 的开源可微分计算机视觉库
Kornia 是一个基于 PyTorch 的开源计算机视觉库,它提供了一组可微分的例程和模块来解决通用计算机视觉问题,其中包括了一系列可插入神经网络的运算符,用于训练模型以执行图像变换,摄像机校准,极线几何和低级别的图像处理技术,如过滤和边 - ICCV通过描述向量交换进行无监督地标学习
本论文研究对象类别的标志物,提出使用等变性法则与局部图像描述符相结合的方法,使得不同对象实例之间学习到的标记物是具有一致性的。实验表明该方法能够超越现有无监督学习方法的表现。
- 利用视频评估图像模型的鲁棒性
研究人员探讨了模型稳健性不同方面,比较了模型对于自然变换和人工扭曲变换的鲁棒性。进一步,他们发现更精确的模型对于自然变换更具鲁棒性,但没有找到一个单一的训练技巧可以在 12 种不同结构中统一提高自然鲁棒性。
- ICCV针对图像转换集的模型易受分布偏移漏洞的解决方案
本研究探讨计算机视觉模型对分布变化的脆弱性,并通过组合优化问题和标准搜索算法寻求这些模型容易受到哪些图像转换的影响。我们通过新的数据增强方法,根据模型容易受到影响的图像变换来训练更加强健模型。实证评估表明,所设计的算法对保持图像内容的操作和 - ECCV深度神经网络早期层的不变性在多样的特征可视化中展现
本研究提出了一种找到深度神经网络中隐藏层单元响应中不变性的方法,结果表明 DNNs 学习了不变性转换,并提供了系统性的方法来研究它们。