- 将示例优化引入双网络训练以进行人类网格恢复
我们提出了一种基于优化的单图像人体网格恢复方法,并结合示例优化和训练优化来增强模型性能。
- 学习更好的多物体六自由度姿态估计关键点
通过训练图网络选择一组分散但具有相似分布投票的关键点,从而提高姿势估计的准确性和效率。通过回归网络学习关键点算法,所学习的投票可以与之前的启发式算法相比更准确地回归关键点位置。实验结果表明,KeyGNet 选择的关键点在所有七个数据集上的所 - GPM 集成多卫星获取的全球降水预报:一种 U-Net 卷积 LSTM 架构
本文提出了一种基于深度学习架构的降水模拟方法,该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆(LSTM)神经网络,并使用来自全球预报系统(GFS)的集成多卫星降水检索数据(IMER - 基于活体得分的人脸反欺诈回归神经网络
本文提出了一种基于生命得分回归网络的活体检测方法,通过引入一种称为伪分级标签编码的新标记方法来解决第三方网络的精度问题,进而在四个面部活体检测基准实验中取得了比以前方法更好的效果。
- ICCV使用自动化数据和合成图像进行半监督草干物质估计
本研究提出了一种利用计算机视觉中的深度学习算法,通过少量已标注数据及近似标注数据来监测牧草干草生物量的低监督方法,其包括合成数据生成算法、自动标注数据处理过程和强健的回归网络。该方法在爱尔兰采集的牧草质量估计数据集上进行了设计,还对丹麦发布 - GMLight:通过几何分布近似进行光照估计
本论文提出了一种利用回归网络和生成投影仪的几何移动灯光(GMLight)估计框架,通过对光线分布、光强度、环境项和辅助深度参数化来实现高度准确的照明估计,并利用生成投影仪合成具有现实外观和高频细节的全景照明贴图。
- AAAIEMLight: 球形分布近似下的光照估计
使用 EMLight 框架,将光照地图分解为球形光分布、光强度和周围环境项,并利用回归网络和神经投影仪进行精确的光照估计,该方法准确性高且比现有方法在 3D 对象嵌入中生成更具可信度和保真度的光照地图。
- ECCVOcean: 基于目标感知的无先验锚点跟踪
该论文提出了一种基于物体感知的无锚点跟踪网络,通过直接预测目标对象的位置和规模,以及引入功能对齐模块来从预测的边界框中学习物体感知特征,从而提高跟踪鲁棒性和精度。实验证明,该跟踪器在五个基准测试中均取得了最先进的性能。
- 由美学照片学习组合,实现图像剪裁的端到端神经网络
该论文提出了一种基于深度学习的图像裁剪方法,利用卷积神经网络和回归网络,仅需一个锚定区域即可直接输出最终结果,从而实现高精度和高效率。
- 课程半监督分割
通过课程式策略和回归网络,基于不等式约束的半监督 CNN 分割技术在磁共振图像左心室分割方面的应用上,使用未标记的数据更高效地实现了分割网络,与标准的基于建议的半监督策略相比有着很有竞争力的结果,接近全监督的性能水平。
- 多尺度监督网络用于人体姿态估计
该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法,通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性,并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。
- CVPR3D 可塑模型回归的无监督训练
本文提出了一种基于人脸图像的无监督学习方法,使用面部识别网络特征从像素到 3D 型可变模型坐标的回归网络训练,通过可微分的渲染器进行预测脸部的渲染并计算特征,引入批量分布损失、循环损失和多视图身份损失来实现从特征学习并避免网络欺骗效应,在使 - 稀疏到密集:从稀疏深度样本和单幅图像中预测深度
本文论述了如何通过使用 RGB-D 原始数据,采用单个深度回归网络来学习来自稀疏深度范例的密集深度估计,并研究了样本数量对预测准确性的影响,提出的算法有两个应用:转换稀疏地图为密集地图和 LiDAR 的超分辨率。
- CVPRDenseReg:野外密集形状回归的全卷积密集网络
该研究提出了一种称为 DenseReg 的系统,使用手动标记的面部特征点作为训练网络的基础,实现了从图像到模板之间的密集对应关系,其在面部分析任务及身体对应分析中取得了较好的结果。