3D识别“3D Object Representations for Fine-Grained Categorization”

最新推荐文章于 2023-04-07 07:03:16 发布
最新推荐文章于 2023-04-07 07:03:16 发布
阅读量2.7k 收藏 3
点赞数
分类专栏： 3D-识别 车型识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cv_family_z/article/details/50395506
版权

数据库：http://ai.stanford.edu/~jkrause/cars/car_dataset.html

目标：用3D表示做车型精细识别，基于两种2D表示SPP,BubleBank。
构建了两个数据库：10-BMW，197-car，数据库在网站上下载。

这里写图片描述
3D几何估计
使用3D CAD模型进行建模，精细识别的第一步是找到一个最合适图像的CAD模型。
合成数据：使用CAD模型渲染出训练数据
3D几何分类器：HOG_SVM。

3D表示
视角变化特征不变的特征描述方法，在描述之前对patch进行转换，选取的图像块如图2（b）所示。
为了补偿透视投影，对patch进行矫正，如下图的散热器。使用ROOTSIFT进行特征描述。最后进行3D SPP和bublebank得到SPM-3D,BB-3D。
这里写图片描述

实验结果
1.车型精细分类
2.长基线匹配

这里写图片描述

3.3D精细类别重建
这里写图片描述

cv_family_z
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于深度学习的三维点云识别
pikachu_777的专栏
10-10 3万+
基于深度学习的三维点云识别 一、什么是三维物体识别 ​ 随着三维成像技术的发展，结构光测量、激光扫描、ToF等技术趋于成熟，物体表面的三维坐标能够精准而快速的获取，从而生成场景的三维数据，能够更好地感知和理解周围环境。三维数据包含了场景的深度信息，能够表示物体的表面形状，在机器人、AR/VR、人机交互、遥感测绘等多个领域具有广阔的应用前景。 ​ 三维数据由传感器直接获得，可以表示为深度图、点云、网...
testEditor3D
02-09
three.js JavaScript 3D库 该项目的目的是使用默认的WebGL渲染器创建易于使用，轻巧的3D库。 在示例中，该库还提供了Canvas 2D，SVG和CSS3D渲染器。 ------ - 用法 此代码创建一个场景，一个照相机和一个几何立方体，并将该立方体添加到场景中。 然后，它为场景和摄像机创建一个WebGL渲染器，并将该视口添加到document.body元素中。 最后，它为摄像机场景内的立方体设置动画。 import * as THREE from './js/three.module.js' ; var camera , scene , renderer ; var geometry , material , mesh ; init ( ) ; animate ( ) ; function init ( ) { camera = new THREE . Per
原创《基于深度特征学习的细粒度图像分类研究综述》
热门推荐
小星星专栏
06-14 1万+
声明：本文原创，未经本人同意，禁止任何形式的转载！！！ 后记：这篇文章虽然是19年放出来，但是是我在18年初的时候写的，所以文中引用的方法都是17年以前的，有点过时了，现在又出现了好多新方法，最高的在CUB上的精确度已经达到了91%左右 摘 要 深度学习技术已经在各种视觉分析任务中展现出了其强大的特征提取能力。特别是在细粒度图像分类领域，深度特征提取技术让其获得了巨大的性能提升。基于...
SPDA-CNN:Unifying Semantic Part Detection and Abstraction for Fine-grained Recognition
浅小思的博客
07-29 2636
SPDA-CNN：联合语义检测和提取用以细粒度识别 最近在做细粒度分类和研读CVPR2016结果，看到这篇文章。做个笔记，方便自己回顾和与大家讨论。 1.摘要及引言多数的卷积神经网络缺少能够model目标中层语义特征的层。诸如在常见鸟类目标分类任务中，通常卷积神经网络的低层为一些线、边等初级特征。而高层为具体的鸟这样高级特征，文章说的中层语义特征指的是鸟喙、翅膀、鸟腿等特征。这些特征对于细粒度分类是尤为
[Vuforia]二.3D物体识别
weixin_46472622的博客
10-24 2869
即可看到盒子上有很多绿色的识别点，识别点越多，越容易比识别，还有一个有线框的遮罩，转动纸，使手机能够一圈扫描盒子，扫描识别到后，遮罩就会编程绿色，尽可能多识别点。注意：识别的目标尽可能大点，我之前用笔测试，虽然识别点很多，但是测试还是很难识别，还有就是转动纸，尽可能从各个方向识别，做多个识别点。好了，此处扫描三维物体的步骤就完成了，接下来和之前的上传图片类似，将该.od文件上传到高通官网。另外，物体的识别难易程度和颜色深浅没有关系，但和物体上的简易程度有关系，越复杂就越容易被识别。
3D人脸识别
csdn13261311766的博客
06-20 2898
目录导语3D人脸基础知识初识3D人脸相机模型3D相机3D人脸数据3D人脸相关任务常见Pipeline3D人脸识别3D人脸重建总结导语随着深度学习技术的推进，人脸相关任务研究也跃升为学界和业界的热点。人们所熟知的人脸任务一般包括人脸检测，人脸身份识别，人脸表情识别等，它们多是采用 2D RGB 人脸(一般包括一些纹理信息)作为输入；而 3D 扫描成像技术的出现与发展，使得人脸相关任务有了一条新的探索路线——3D 人脸。相较于许许多多的 2D 人脸相关任务入门文献/综述文章，3D 人脸的入门知识却乏善可陈。..
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
the full 3D shape and pose of all object instances in the image. Our method produces a compact 3D representation of the scene, which can be readily used for applications like autonomous driving. Many ...
人工智能-命名实体识别-中文-CLUENER2020 中文细粒度命名实体识别 Fine Grained Named Entity
07-03
在“人工智能-命名实体识别-中文-CLUENER2020 中文细粒度命名实体识别 Fine Grained Named Entity Recognition”这个主题中，我们将深入探讨中文NER领域的最新进展，特别是CLUENER2020比赛的细粒度NER任务。...
3D Object Detection with Latent Support Surfaces
07-04
Existing 3D representations for RGB-D images capture the local shape and appearance of object categories, but have limited power to represent objects with different visual styles. The detection of ...
山东大学-黄其兴-Hybrid 3D Representations for 3D Understanding
01-18
#极市直播第61期：山东大学“可视计算”学术专题报告#
learning representations by back-propagating errors
03-25
learning representations by back-propagating errors
yolo3d目标检测识别，使用opencv技术基于深度学习
03-09
基于OpenCV的使用YOLOv3进行目标检测,使用YOLO神经网络的实时目标检测代码。
基于深度学习立体匹配的基本网络结构和变种
3D视觉工坊
04-07 668
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨HawkWang来源丨计算摄影学点击进入—>3D视觉工坊学习交流群深度学习立体匹配之 MC-CNN中两种结构：MC-CNN-fst和MC-CNN-acrt。这两个算法由Zbontar和LeCun共同研发，分别代表了速度与精度的平衡。MC-CNN-fst关注于快速处理，而MC-CNN-acrt则更注重匹配精度。这两种算法为深度学习立...
深度学习立体匹配方法：MC-CNN
3D视觉工坊
03-25 1009
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨HawkWang来源丨计算摄影学点击进入—>3D视觉工坊学习交流群一. 前言欢迎你进入我的计算摄影学专栏，最近的很多篇文章我都在讲立体匹配相关的知识。现在让我们打开地图看一看现在所处的位置：经过了很多传统立体匹配算法的学习，我们终于来到了新的篇章：当前进度在开始之前，让我们先翻阅一下我们学习过的经典立体匹配算法ADCensus和SG...
最新综述 | 基于深度学习的立体视觉深度估计
3D视觉工坊
07-11 2232
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达今天给大家分享一篇上个月刚刚发布的综述论文，基于深度学习的立体视觉深度估计。英文标题: A Survey on Deep Learn...
基于深度学习算法和传统立体匹配算法的双目立体视觉
小白学视觉
12-18 2302
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达01 立体视觉是什么？在开始之前，我相信很多站友都会有这个疑问，所以我想先在这里做一下简要...
全面综述：基于3D骨架的深度学习行为识别方法
qq_29462849的博客
08-26 4389
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达本文是对论文《A Survey on 3D Skeleton-Based Action Recognition Using Lear...
A Large-Scale Car Dataset for Fine-Grained Categorization and Verification论文笔记
bailufeiyan的博客
01-24 2707
摘要： 主要工作1 收集了一个很大的数据集并且有丰富的标签信息（compcar） 主要工作2 基于以上的数据集做的(car model classification、car model verification、 attribute prediction) 主要围绕细粒度分类和验证，都是基于CNN的方法.
论文笔记_A Large-Scale Car Dataset for Fine-Grained Categorization and Verification
yscasdcc98的博客
04-24 2554
网址：http://mmlab.ie.cuhk.edu.hk/datasets/comp_cars/index.html 论文地址：https://arxiv.org/abs/1506.08959 arXiv:1506.08959, 2015 作者： Linjie Yang Ping Luo http://personal.ie.cuhk.edu.hk/~pluo/ Ch
learning representations in model-free hierarchical reinforcement learning
最新发布
09-22
在模型无关的分层强化学习中，学习表示是一项重要的任务。学习表示是指通过提取有用的信息和特征来将观察数据转化为表示向量。这些表示向量可以用于解决强化学习问题中的决策和行动选择。 模型无关的分层强化学习是指不依赖于环境模型的强化学习方法。它通常由两个部分组成：低层控制策略和高层任务规划器。低层控制策略负责实际的行动选择和执行，而高层任务规划器则负责指导低层控制策略的决策过程。 学习表示在模型无关的分层强化学习中起到至关重要的作用。通过学习适当的表示，可以提高对观察数据的理解能力，使得模型能够捕捉到环境中的重要特征和结构。这些表示可以显著减少观察数据的维度，并提供更高层次的抽象，从而简化了决策和规划的过程。 学习表示的方法多种多样，包括基于深度学习的方法和基于特征选择的方法。基于深度学习的方法，如卷积神经网络和循环神经网络，可以通过学习多层次的特征表示来提取环境观察数据的有用信息。而基于特征选择的方法则通过选择最有信息量的特征来减少表示的维度，从而简化了模型的复杂度。 总之，学习表示在模型无关的分层强化学习中起到了至关重要的作用。通过学习适当的表示，模型可以更好地理解观察数据并进行决策和规划。不同的方法可以用来实现学习表示，包括基于深度学习的方法和基于特征选择的方法。这些方法的选择取决于具体任务和问题的需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值