2017年09月_cv_family_z

原创流量分析“Understanding Traffic Density from Large-Scale Web Camera Data”

探索了使用优化的方法和深度学习的方法，进行交通密度分析。在不进行车辆检测和跟踪的情况下，将致密的图像特征映射成车辆密度。优化的方法基于Rank Constrained回归，深度学习的方法基于FCN。回归的方法学习图像不同块的不同权值，嵌入道路几何降低相机透视带来的问题。FCN法使用残差学习网络估计车辆密度和车辆数目，进行端到端的致密预测，允许任意图像尺寸输入，适应不同车辆尺度和视角。交通密度分析，目

2017-09-26 17:08:34 667

原创目标检测“Focal Loss for Dense Object Detection”

基于RCNN的两步检测器精度高，但速度慢，单步检测器如YOLO，SSD速度快，但精度有所降低。作者认为正负样本不平衡是导致单步检测器精度降低的主要愿意，论文对交叉熵损失函数进行改进，降低易分类样本的权值，即Focal loss，使用RetinaNet验证Focal loss。RetinaNet可以超过两步检测器的精度，且速度跟单步检测器差不多。Focal Loss是动态缩放的交叉熵损失函数，随着正确

2017-09-22 17:04:54 2932

原创车辆计数“FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras”

使用深度时空神经网络，在低质量视频中计算车数目。为了使用视频时间信息，结合FCN和时间递归神经网络（LSTM），即FCN-rLSTM估计车辆密度和车辆计数。FCN进行像素级预测，LSTM学习复杂的时间动态。使用残差连接，将车辆数目回归问题作为残差学习函数，加速网络训练过程。为保持特征分辨率，提出Hyper-Atrous集合FCN中artous卷积，综合不同层卷积信息。车辆计数是统计给定区域内车辆数目

2017-09-20 16:23:50 2477 1

原创车辆检索“LEARNING A REPRESSION NETWORK FOR PRECISE VEHICLE SEARCH”

背景意义精确车辆检索，给定车辆图像，寻找所有的具有相同车架号的图像，这很具有挑战性，因为不同的车具有相同的外观。论文提出了多任务学习框架RepNet，从粗粒度和细粒度学习车辆特征。此外，使用了桶搜索减少检索时间。车牌通常作为车辆的唯一身份，但一些情况下车牌难以识别。如低分辨率图像看不清车牌，一些字符容易混淆，遮挡牌照和假牌的情况也有。因此，从外观的差别检索车辆比较实用。与人脸和行人检索相比，车辆

2017-09-14 16:41:24 2119 1

原创人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

人脸姿态的变化是人脸识别的难点，一般的姿态不变的人脸识别方法是人脸正面化，或者从非正脸的图片中学习特征。论文提出Disentangled 表示学习-生成对抗网络。有三个特征，1）生成器的编码-解码结构使得DR-GAN学习generative和discriminative的表示，2）通过提供到解码器的姿态编码和鉴别器的姿态估计，学到的特征表示与其他的人脸变形disentangled。3）DR-GAN可

2017-09-06 16:43:31 10602 13

原创人脸识别“SphereFace: Deep Hypersphere Embedding for Face Recognition”

在开放集中进行人脸识别，理想的特征最大的类内差距应小于最小的类间差距。作者提出了angular softmax（A-Softmax）损失函数学习angularly discriminative features。在球面流形中增加判别约束，符合人脸分布在流形上的假设。此外，角度的边距使用参数m进行量化。改方法只改了损失函数，使用经典的CNN结构上训练人脸识别模型，在Megaface上获得排名第一。一、

2017-09-06 14:50:21 5767

cv_family_z的博客

原创流量分析“Understanding Traffic Density from Large-Scale Web Camera Data”

原创目标检测“Focal Loss for Dense Object Detection”

原创车辆计数“FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras”

原创车辆检索“LEARNING A REPRESSION NETWORK FOR PRECISE VEHICLE SEARCH”

原创人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

原创人脸识别“SphereFace: Deep Hypersphere Embedding for Face Recognition”

空空如也

空空如也

原创 流量分析“Understanding Traffic Density from Large-Scale Web Camera Data”

原创 目标检测“Focal Loss for Dense Object Detection”

原创 车辆计数“FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras”

原创 车辆检索“LEARNING A REPRESSION NETWORK FOR PRECISE VEHICLE SEARCH”

原创 人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

原创 人脸识别“SphereFace: Deep Hypersphere Embedding for Face Recognition”

空空如也

空空如也

原创流量分析“Understanding Traffic Density from Large-Scale Web Camera Data”

原创目标检测“Focal Loss for Dense Object Detection”

原创车辆计数“FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras”

原创车辆检索“LEARNING A REPRESSION NETWORK FOR PRECISE VEHICLE SEARCH”

原创人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

原创人脸识别“SphereFace: Deep Hypersphere Embedding for Face Recognition”