- 对象检测模型使用 KNN 和 RF 分类的组合特征提取
该研究采用灰度共生矩阵(GLCM)和局部二值模式(LBP)纹理特征提取进行 2D 对象旋转和纹理变化下的目标检测。使用 k 最近邻(KNN)、随机森林(RF)和投票集成(VE)对特征进行分类,其中 VE 方法表现最佳,准确率为 93.9%, - 高光谱光曲线反演用于姿态确定
使用时间序列单像素光谱测量的光谱光变曲线推断航天器的姿态和旋转,通过数值优化和神经网络模型相结合的方法,研究了在无关先验信息的情况下进行航天器姿态和旋转估计的理论和实践,通过在合成数据上的测试结果展示。
- ICCVGasMono:室内场景中基于几何辅助的自监督单目深度估计
通过多视图几何从单目序列中获取粗略相机姿态以解决室内场景中自监督单目深度估计的挑战,通过旋转和平移 / 缩放优化来改进姿态,通过全局推理的视觉变换器和迭代的自蒸馏机制软化低纹理效果,实验结果显示了框架中每个组件的有效性,并提供了室内自监督单 - Cloud-RAIN: 具有反射不变性的点云分析
通过使用二次神经元和 PCA 规范表示的框架,提出了 Cloud-RAIN 来使点云具有反射不变性,验证了该方法的优越性并证明了其反射性质。
- CVPR探究在 SO (3) 流形上的离散归一化流用于概率旋转建模
本文提出了一种结合 Möbius 变换 - 环耦合层和四元数仿射变换的正交群上的正则化流方法, 可以有效地表示旋转上的任意分布,并且可以在给定输入观测值的条件下建立目标分布,具有显著的条件和无条件任务性能优势。
- ECCVSPE-Net: 通过提高旋转鲁棒性增强点云分析
本文提出了一种针对三维点云的新型深度架构,称为 SPE-Net,使用内嵌 “选择性位置编码(SPE)” 程序,依靠注意机制有效地关注输入的旋转条件,从而提高优化的性能和鲁棒性,并且相对于 SOTA 方法在旋转和非旋转的数据上都显示出明显的改 - 使用 8 点算法作为相对位姿预测的归纳偏差 (ViT)
本文介绍了一种基于 Vision Transformer 的简单方法,可以直接估计两个图像之间的相对位姿,能够在多种场景下与先进的复杂方法相媲美,在有限的数据情况下有很强的性能优势。
- CVPR基于多编码器网络的核插值结构参数减少
本研究提出了一种通过删除需要最多参数的层并将其替换成更小的编码器的方法来减少流场无关内核网络的参数数量的技术,以通过强制旋转来使每个编码器从输入图像中学习不同的特征,从而实现比原来的方法更好的性能。
- CVPR在最先进的特征匹配器中使用旋转不变特征的案例
本文旨在证明用可旋转卷积神经网络替换骨干卷积神经网络能够使现有的特征匹配算法(LoFTR)在旋转处理方面更加鲁棒,实验证明这样的改进不会减少对普通对比度和角度匹配序列的处理性能。
- AAAIDetarNet: 基于孪生网络解耦点云配准中的平移和旋转
本文提出 DetarNet 神经网络用于点云配准,其借助分离翻译和旋转,通过多种网络块加强了对点云的特征辨别能力,实现了更好的配准性能。
- 一组简单卷积神经网络模型的集成以实现 MNIST 数字识别
使用三个简单的卷积神经网络,通过旋转和平移数据增强方式,实现了 99.91%的 MNIST 测试准确率,并提出了一个高效的集成方案来提高图像分类结果。
- 零样本泛化的旋转、平移和裁剪
本文针对 Deep Reinforcement Learning 在视觉输入的情况下表现出色,但是通常训练时在固定的环境下训练,缺乏泛化能力,提出了使用 rotation 和 cropping 等方法来提高泛化能力,并在两个维度的街机游戏中 - 基于深度神经网络的一阶环绕声领域空间增强用于到达方向估计
该论文提出了一种新的神经网络数据增强方法,用于 Direction of Arrival(DOA)估计,并且通过两个实验表明,该方法可以大大提高 DOA 估计的精度。
- 使用 Spatial-VAE 明确区分图像内容和平移旋转
提出了一种基于 VAE 框架的显式分离图像旋转和平移的方法,并将其约束在只表示旋转和平移的潜在因素上,证明这种空间 - VAE 框架可以有效地学习潜在表示,改进标准 VAE 在多个基准数据集上的重构能力。
- EMNLP可解释性超密集词向量的分析方法
研究 word embeddings 的可解释性,通过旋转 word spaces 进行 interpretable dimensions 的识别并保留原有信息,提出了 DensRay 方法进行 closed form 计算,相比于 Den - ICLR极坐标变换网络
通过极坐标变换网络 (PTN),将等变性的概念从旋转扩展到卷积神经网络中的平移和旋转,并在旋转后的 MNIST 数据集和 SIM2MNIST 数据集 (包括平移、旋转和缩放的 MNIST 的变体) 上实现了最先进的结果设置。
- CVPR学习旋转的核相关滤波器
本研究提出了一种改进的优化方法 RKCF,可减轻 Kernel Correlation Filters 在旋转方面性能下降的问题,在很多 OBT50 测试视频中获得了全面的精度提升及最小额外计算。
- 深度旋转等变网络
作者提出了一种基于循环层、单调层和去循环层的深度旋转等变网络(Deep Rotation Equivariant Network),该网络可在滤波器层进行旋转变换,而不是特征映射层,从而显着提高了运行速度,减少了存储空间,并在 Rotate