2015年12月_cv_family_z

原创数据库

人脸数据库关注博客：http://haoxiang.org/2013/12/face-recognition-detection-database/香港的CelebA： http://mmlab.ie.cuhk.edu.hk/projects/CelebA.htmlWIDERFACE: http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/

2015-12-29 16:40:23 1785

原创人脸识别“FaceNet: A Unified Embedding for Face Recognition and Clustering”

作者认为用于训练的三元组很重要，使用经过筛选的三元组数据训练，在LFW上识别率达到了99.63%。使用深度卷积网学习图像的欧式嵌入。方法描述：使用了两个网络Zeiler&Fergus，Inception网络。这个系统的架构如下：将三元组损失用于识别，认证和聚类任务。学习一个embedding 函数f(x)f(x)将图像x映射到特征空间Rd\mathbb R^d，使得同一人脸间的平方距离最小。

2015-12-29 12:33:17 3643

原创人脸检测“Joint Cascade Face Detection and Alignment”

开源代码：https://github.com/luoyetx/JDA 好的介绍博客：http://www.cvrobot.net/joint-cascade-face-detection-and-alignment/思路：将人脸矫正和检测一起做，矫正来提升检测准确率先验证矫正对检测有效，检测后分类器：对OpenCV Haar产生的3000个窗口处理，27facial points SIFT fe

2015-12-25 17:01:23 3190

原创 Striving for Simplicity: The All Convolutional Net

http://arxiv.org/abs/1412.6806CNN网络貌似由简单到复杂，再由复杂到简单的趋势当前主流的CNN网络一般都包括以下几个模块：convolution and max-pooling layers和交替，最后是少数全链接层。本文对此深入分析，提出了只有卷积层的网络，发现效果不错。首先来看看 pooling， why pooling can help in CNNs，可能的解释

2015-12-25 15:16:18 7343 1

原创 A Lightened CNN for Deep Face Representation

一个小巧的人脸识别CNN网络https://github.com/AlfredXiangWu/face_verification_experiment当前基于CNN网络的人脸识别的文献可以说是满天飞，虽然效果不错，但是计算量大是一个问题。导致其难以用于嵌入式设备或手机里。当前关于人脸识别的CNN网络问题如下：1）很深的CNN网络导致一个大的模型，提取特征的时间较长。2）基于 ReLU 激活函数学习到

2015-12-25 09:26:13 8148 5

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

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。 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

2015-12-24 16:49:30 2745

原创 Training Very Deep Networks--Highway Networks

网上有传言微软的深度残差学习是抄袭 Highway Networks，只是Highway Networks的一个特例。Highway Networks 的确是先发表的。http://people.idsia.ch/~rupesh/very_deep_learning/有开源代码Our Highway Networks take inspiration from Long Short Term Me

2015-12-18 09:17:05 7895 1

原创 Deep Residual Learning for Image Recognition

这是微软方面的最新研究成果，在第六届ImageNet年度图像识别测试中，微软研究院的计算机图像识别系统在几个类别的测试中获得第一名。本文是解决超深度CNN网络训练问题，152层及尝试了1000层。随着CNN网络的发展，尤其的VGG网络的提出，大家发现网络的层数是一个关键因素，貌似越深的网络效果越好。但是随着网络层数的增加，问题也随之而来。首先一个问题是 vanishing/exploding g

2015-12-16 15:13:37 14847 1

原创 BING++: A Fast High Quality Object Proposal Generator at 100fps

本文是对 BING 算法的升级，主要是在快的同时保持定位精度两个 + 分别对应： edge-based recursive boxes as one “+”, and MTSE-based superpixel merging as the other “+”Object Detection Recall (DR)：which is the ratio of the number of corr

2015-12-11 09:35:22 3536 4

原创 Actions and Attributes from Wholes and Parts

ICCV 2015 本文主要是用CNN网络进行人体部件检测，再用CNN进行人的属性及动作分类。人的部件检测如下图所示：输入多尺度图像，提取第五卷积层特征，再用部件模型对特征层进行卷积，得到多尺度部件概率图。对于人的属性及动作分类，首先将部件及整个人的图像输入CNN网络，然后提取CNN第七层特征，然后使用线性SVM分类器进行分类。结果：属性识别结果动作识别结果：

2015-12-10 11:10:17 1681

原创人脸检测“Face detections without bells and whistles”

使用了两种简单的方法：ICF和DPM做人脸检测。主要贡献： 1.在使用恰当的情况下，普通的DPM可以超越复杂DPM的结果； 2.使用ICF做人脸检测，几个固定的模板可以达到很好的效果；数据库： AFLW:26 000个标记人脸，AFW：205bbox，FDDB:2845 椭圆标记评价标准：IOU>0.5,AP。ICF detectorbaseline 方法：SquaresChnFtrs-5

2015-12-09 14:59:09 2881

原创 Flowing ConvNets for Human Pose Estimation in Videos

ICCV 2015 code available http://www.robots.ox.ac.uk/~vgg/software/cnn_heatmap/本文主要用CNN网络来进行人体姿态估计，加入了temporal 信息以提高精度。网络框架如下：本文对于关节位置的估计提出了一个 heatmap概念，而不是一个坐标的回归。这样做可以提高关节定位的鲁棒性。Spatial fusion

2015-12-09 14:39:58 3847

原创 From Facial Parts Responses to Face Detection: A Deep Learning Approach

ICCV 2015 email to get code and modelhttp://personal.ie.cuhk.edu.hk/~ys014/projects/Faceness/Faceness.html本文主要是用CNN进行人脸局部属性检测，然后各个部件综合起来得到人脸检测结果。本文主要包含三个步骤： 3.1. Partness Maps Extraction 人脸部

2015-12-09 10:58:01 2903 1

原创 Unsupervised Learning of Visual Representations using Videos

ICCV 2015 project page http://www.cs.cmu.edu/~xiaolonw/unsupervise.html code https://github.com/xiaolonw/caffe-video_triplet这篇文章最大的亮点是 CNN 的 Unsupervised Learning。以前的CNN网络参数学习需要海量标定的数据，例如 ImageNet，

2015-12-08 14:05:12 1650

原创 Fast detection of multiple objects in traffic scenes with a common detection framework

IEEE Transactions on Intelligent Transportation Systems. 2015本文使用一个通用框架来检测三个东西：车、交通信号标志、骑自行车的人。 aggregated channel features + Shrinkage version of AdaBoost 系统大的框架如下： A. Object Subcategorization 对

2015-12-04 14:44:35 1769

原创 DenseBox: Unifying Landmark Localization with End to End Object Detection

百度深度学习研究院的目标检测工作类似 Faster R-CNN输入多尺度图像，经过CNN处理，输出目标框Model Design 模型是从 19层的VGG模型演变来的。Multi-Level Feature Fusion：将不同卷积层的特征联系起来可以提高检测效果Multi-Task Training：两个任务：1）目标有无，2）目标的位置这里使用了 landmark 来改善定位模型

2015-12-04 11:34:35 9201

原创 Context-aware CNNs for person head detection

ICCV 2015 Matlab code available http://www.di.ens.fr/willow/research/headdetection/本文使用 CNN 进行人头检测，包含三个子模型，结构示意图如下： Global model：主要是给出一个多尺度热量图，越热的地方含有人头的概率越大。使用整幅图像的信息来定位物体，使用 CNN模型 Local model

2015-12-03 16:10:06 4038

原创 DeepBox: Learning Objectness with Convolutional Networks

ICCV 2015 code https://github.com/weichengkuo/DeepBoxproposal re-ranker ，本文是对候选区域重新排序。从 Edge box的2000个结果中选出500个好的候选区域，怎么选了？使用一个小的 CNN网络3.1. Network Architecture our network architecture is: conv

2015-12-03 10:54:57 1937 2

原创 DeepCut: Joint Subset Partition and Labeling for Multi Person Pose Estimation

本文主要说的是多个人姿态估计问题先看看下面的结果图：是怎么做到这个结果了？首先使用 CNN提出人体部件的候选区域，每个候选区域作为一个节点，所有的节点组成一个图，节点之间的关联性作为图节点之间的权重，将其作为一个优化问题，将属于同一个人的部件（节点）归为一类，每个人作为一个单独类。本文的思路具有以下几个优势： 1）可以解决未知个数人的图像，通过归类得到有多少个人 2）通过图论节点的聚

2015-12-02 15:40:34 5259

原创 Oriented Object Proposals

ICCV 2015 关于候选区域提取的文献。 Oriented Object Proposals 简写 OOP算法本文提出的提取算法的三个优势： 1）可以提取不同旋转角度的物体 2）本文的OOP算法得到更好的框，框的更准更小些 3）我们的候选区域个数更小些2 Related Work 以前候选区域提取算法主要可以分为两类： 1）Window scoring methods 滑

2015-12-01 09:42:49 2262 2

cv_family_z的博客