阅读随记：场景理解篇

2016_3   BayesianSegNet: Model Uncertainty in Deep Convolutional Encoder-Decoder Architecturesfor Scene Understanding

目标：针对场景理解的深度卷积编解码结构的不确定性模型

文章贡献：实现了利用模型不确定性来预测像素层次的分类标签的实用系统，利用蒙特卡洛采样和dropout来生成测试阶段像素类标签的后验概率，同时还在SegNet, FCNand

DilationNetwor上面验证了模型不确定性可以提高分割表现2%-3%。验证了该方法在小样本上效果明显。

数据集：室内SUN场景理解数据集和室外CamVid驾驶场景数据集

代码：mi.eng.cam.ac.uk/projects/segnet/

2016_4   MultimodalInformation Fusion for Urban Scene Understanding

目标：用于城市场景理解的多模信息融合

解决问题：驾驶员辅助系统——场景理解。所提出的方法是基于over-segmented图像区域中所有可用信息的表示，该框架的主要新颖之处在于它具有整合新类别对象的能力，并且包含新的传感器或检测方法，同时保持对传感器故障的鲁邦性

实验结论：该框架非常的灵活，该信息整合方法是并行实现的，可以容忍传感器失效。

2016_5   TheCityscapes Dataset for Semantic Urban Scene Understanding

目标：为了解决城市场景理解数据不足的问题。用于城市场景的语义理解的数据集www.cityscapes-dataset.net

内容：数据集包含五十个城市的立体视频序列，这些图像中的5000图像个具有高质量的注释; 20 000个附加图像具有粗略的注释。随附的实证研究提供了对数据集特征的深入分析，以及基于我们基准的几种最先进方法的绩效评估。

结论：提出了一个城市场景数据集。提出了a standard and anovel metric。

 

2016_6   Multi-modalAuto-Encoders as Joint Estimators for Robotics Scene Understanding

目标：探索自动编码器对于多模特征融合的能力。为了解决缺失数据的重构问题。

数据集：户外场景KITTI dataset：RGB images; depthimages; and semantic label information.

方法：如上图（a）、（c）提出的一种新方法。

实验结果：算法具有实时性（less than 40ms per frame）、可以无缝的使用你觉得有用的数据，结构与现有最好的算法相当。

2016_7   AutomaticDescription Generation from Images: A Survey of Models, Datasets, andEvaluation Measures

目标：关于自动生成图像描述的综述：模型、数据集和评估方法

数据集：

2016_8   Data-DrivenContextual Modeling for 3D Scene Understanding

目标：数据驱动的用于3D室内场景理解的上下文模型。用来解决杂乱的子场景（subscene level）中目标分割问题。

方法：本文方法集单个目标识别和一组目标识别于一体，将上下文信息作为先验信息用于模型中。首先对输入进行超分割，将目标场景分成细小的图像块，提取支持平面，产生场景中目标轮廓，进行各目标的分割，创建代表单个目标的分割图；利用上下文信息和多核学习（MKL）训练目标分类器，并利用预训练的分类器对分割块进行组合，形成单个目标和子场景。

测试数据集：the NYU-Depth V2 dataset

实验结果：

2016_9   HarnessingObject and Scene Semantics for Large-Scale Video Understanding

目标：对大规模视频中的目标和场景语义的理解

方法：提出了一种新的用于大规模视频理解的目标-场景语义融合框架。

特征：目标数据流（VGG-19 CNN model）、场景数据流（VGG-16 CNN model）、一般特征流（VGG-19 CNN model pre-trained on all ofImageNet）。

数据集：ActivityNet 27, 801 video clips， 203 activity classes, totaling 849 hours of video.

Fudan-Columbia Video Dataset (FCVID)：91,223 web videos，239 categories

实验结果：

2017_1  Joint2D-3D-Semantic Data for Indoor Scene Understanding

主要内容：提出了一个室内数据集。数据集涵盖6000多平方米，包含超过70,000个RGB图像，以及相应的深度，表面法线，语义注释，全局XYZ图像（均以常规和360°等角图像的形式）以及相机信息。对比了其他数据集。

2017_2  SUM:Sequential Scene Understanding and Manipulation

目标：杂乱场景下的连续的场景理解和抓取操作

方法：提出了一种鲁棒的连续场景估计和操纵的概率方法（SUM）。文中在强烈的遮挡和非结构化环境下实现对场景的可靠估计。利用r-cnn+Edge boxes进行建议框生成，建议框的评估采用结构化决策树进行，最后利用Softmax对建议框进行分类

特征：rgb-d

实验结果：实验证明与FPFH相比，准确率提高明显。

         The CityscapesDataset