TPAMI 2024 | 不完全伽马核：泛化局部最优投影算子

最新推荐文章于 2024-11-12 11:12:28 发布
最新推荐文章于 2024-11-12 11:12:28 发布
阅读量83 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 图像处理 深度学习 人工智能 TPAMI 论文解读
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/qq_42722197/article/details/140106041
版权
论文解读 IEEE TPAMI 专栏收录该内容
303 篇文章 21 订阅 ¥59.90 ¥99.00
订阅专栏

题目：Incomplete Gamma Kernels: Generalizing Locally Optimal Projection Operators

不完全伽马核：泛化局部最优投影算子

作者：P. Stotko; M. Weinmann; R. Klein

源码链接： https://github.com/stotko/incomplete-gamma-kernels

摘要

我们介绍了不完全伽马核（Incomplete Gamma Kernels），这是局部最优投影（Locally Optimal Projection, LOP）算子的一种泛化。特别是，我们揭示了用于点云去噪的LOP算子中的经典局部L1估计器与常见的均值漂移（Mean Shift）框架之间的关系，并通过一种新颖的核 K

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1153
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
TPAMI 2024 | 人体运动生成：一项综述研究
小白学视觉
07-31 1058
人类动作生成旨在生成自然的人姿势序列，并展示出对现实世界应用的巨大潜力。近年来，在运动数据收集技术和生成方法方面取得了实质性进展，为人类动作生成日益增长的兴趣奠定了基础。该领域的大多数研究侧重于基于条件信号生成人类动作，例如文本、音频和场景上下文。尽管近年来取得了显著进展，但由于人类动作的复杂性质及其与条件信号的隐式关系，该任务仍然面临挑战。在这篇综述中，我们提供了人类动作生成的综合文献回顾，据我们所知，这是该领域首次此类综述。
TPAMI 2024 | 弱监督 AUC 优化：一种统一的部分 AUC 方法
小白学视觉
07-20 137
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达题目：Weakly Supervised AUC Optimization: A Unified Partial AUC Approach弱监督 AUC 优化：一种统一的部分 AUC 方法作者：Zheng Xie; Yu Liu; Hao-Yuan He; Ming Li; Zhi-Hua Zhou摘要由于获取完美的监督信息通常...
TPAMI 2024 | 正则化损失与超参数估计在弱监督单类分割中的应用
小白学视觉
07-18 1090
Regularized Loss With Hyperparameter Estimation for Weakly Supervised Single Class Segmentation 正则化损失与超参数估计在弱监督单类分割中的应用 作者：Zongliang Ji; Olga Veksler 摘要 我们提出了一种新的图像级弱监督分割方法，适用于只含有单一感兴趣对象类别的数据集。我们的方法基于经典条件随机场（CRF）建模启发的正则化损失函数。我们的损失模型了通用对象的属性，并用它引导CNN朝向更可能对
TPAMI 2024 | CrossFormer++: 基于跨尺度注意力的多功能视觉Transformer
小白学视觉
07-05 1516
虽然不同尺度的特征在视觉输入中具有感知重要性，但现有的视觉Transformer尚未显式利用这些特征。为此，我们首先提出了一种跨尺度视觉Transformer，即CrossFormer。它引入了跨尺度嵌入层（CEL）和长短距离注意力（LSDA）。一方面，CEL将每个标记与不同尺度的多个补丁混合，为自注意力模块本身提供跨尺度特征。另一方面，LSDA将自注意力模块分为短距离和长距离部分，这不仅减少了计算负担，还保留了标记中的小尺度和大尺度特征。
TPAMI 2024 | Diversify：一种时间序列分布外检测和泛化的通用框架
小白学视觉
07-29 1223
题目：Diversify: A General Framework for Time Series Out-of-Distribution Detection and Generalization Diversify：一种时间序列分布外检测和泛化的通用框架 作者：W. Lu; J. Wang; X. Sun; Y. Chen; X. Ji; Q. Yang; X. Xie 摘要 时间序列仍然是机器学习研究中最具挑战性的模态之一。时间序列的分布外（OOD）检测和泛化常常由于其非平稳性质而面临困难，即分布随时
TPAMI 2024 | P2T：用于场景理解的金字塔池化Transformer
小白学视觉
08-19 643
最近，视觉Transformer通过推动各种视觉任务的最前沿取得了巨大成功。视觉Transformer面临的最大挑战之一是图像标记的大序列长度导致高计算成本（二次复杂度）。解决这个问题的一个流行方法是使用单个池化操作来减少序列长度。本文考虑了如何改进现有的视觉Transformer，其中通过单个池化操作提取的池化特征似乎不够强大。为此，我们注意到金字塔池化由于其在上下文抽象方面的强能力，在各种视觉任务中已被证明是有效的。然而，金字塔池化尚未在主干网络设计中被探索。
TPAMI 2024 | 自适应区域特定损失：提高医学图像分割性能
小白学视觉
08-28 886
定义损失函数是神经网络设计的重要组成部分，它在深度学习建模的成功中起着决定性作用。传统损失函数的一个显著缺点是它们同等地加权输入图像体的所有区域，尽管已知系统是异构的（即，一些区域比其他区域更容易获得高预测性能）。在这里，我们引入了一个区域特定的损失来提升隐含的均匀加权假设，以实现更好的学习。我们将整个体积划分为多个子区域，每个子区域都构建了一个针对最佳局部性能的个性化损失。有效地，这个方案对更难分割的子区域施加了更高的权重，反之亦然。
TPAMI 2024｜DeepM2CDL：基于层级式多尺度卷积字典的多模态图像修复与融合网络
OpenCV中文网
06-06 547
关注公众号，发现CV技术之美本文为粉丝投稿，原文链接：https://zhuanlan.zhihu.com/p/701844704。本文介绍了北京航空航天大学徐迈教授课题组最新发表于IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI 2024)上的工作“DeepM2CDL: Deep Multi-scale M...
TPAMI 2024 | PathNet: 基于路径选择的点云去噪
小白学视觉
07-29 699
当前的点云去噪(PCD)模型优化单一网络，试图使其参数适应于大量点云池中的每个点。这种去噪网络范式忽略了不同点通常受到不同程度的噪声干扰，并且它们可能传达不同的几何结构。因此，噪声和几何的复杂性带来了包括残留噪声、错误平滑的边缘和去噪后形状扭曲等副作用。我们提出了PathNet，一种基于强化学习(RL)的路径选择性PCD范式。与现有工作不同，PathNet能够动态选择每个点最合适的去噪路径，最佳地将其移动到其底层表面上。除了首次提出路径选择性PCD框架外，我们还有另外两个贡献。
TPAMI 2024 | 学生损失：走向不准确监督中的概率假设
小白学视觉
07-23 413
题目：Student Loss: Towards the Probability Assumption in Inaccurate Supervision 学生损失：走向不准确监督中的概率假设 作者：S. Zhang; J. -Q. Li; H. Fujita; Y. -W. Li; D. -B. Wang; T. -T. Zhu; M. -L. Zhang; C. -Y. Liu 摘要 在数据集中常常会遇到噪声标签，但学习它们是具有挑战性的。尽管在噪声类别中干净和被误标的样本之间存在自然差异，但该领域的
TPAMI 2024 | 从 NeRFLiX 到 NeRFLiX++: 一种通用的 NeRF-无关恢复范式
小白学视觉
06-04 125
神经辐射场（NeRF）在新视图合成方面表现出了巨大的成功。然而，由于潜在的校准信息不完善和场景表示不准确，现有的基于 NeRF 的方法在从现实世界场景中恢复高质量细节方面仍然面临挑战。即使使用高质量的训练帧，NeRF 模型生成的合成新视图仍然存在明显的渲染伪影，如噪声和模糊。为了解决这个问题，我们提出了 NeRFLiX，一种学习降解驱动的视点间混合器的通用 NeRF-无关恢复范式。
TPAMI 2024 | 信息驱动的自适应感知
小白学视觉
06-05 85
对于许多反问题，求解所基于的数据是按顺序获取的。我们提出了一种求解此类反问题的方法，其中传感器可以在飞行中被定向（或以其他方式重新配置）以获取特定测量值。一个示例问题是磁共振图像重建。我们使用由生成模型提供的经验条件分布推导出的互信息估计来指导我们在已获取的测量值的基础上进行测量获取。条件生成的数据是一组样本，代表满足已获取测量值的可能解。我们对玩具数据集和真实世界数据集进行了实验。我们专注于图像数据，但我们证明了该方法适用于更广泛的类问题。我们还展示了如何利用深度神经网络等学习模型来实现对未见数据的泛化。
TPAMI 2024|评估超分辨率网络的泛化能力
小白学视觉
09-22 75
性能和泛化能力是评估深度学习模型的两个重要方面。然而，目前对超分辨率（SR）网络的泛化能力研究尚属空白。评估深度模型的泛化能力不仅有助于我们理解其内在机制，还允许我们定量测量其适用边界，这对于无限制的真实世界应用非常重要。为此，我们首次尝试提出一个针对SR网络的泛化评估指数，即SRGA。SRGA利用深度网络内部特征的统计特性来衡量泛化能力。特别地，它是一个非参数的、非学习度量的指标。为了更好地验证我们的方法，我们收集了一个基于块的图像评估集（PIES），包括合成和真实世界的图像，涵盖了广泛的退化类型。
2024年计算机视觉与图像处理国际学术会议 (CVIP 2024)
2302_79376097的博客
11-04 1873
目录大会简介主办单位，协办单位组委会主讲嘉宾征稿主题参会方式会议议程 重要信息会议官网：iccvip.org大会时间：2024年11月15日-17日大会地点：中国 杭州 2024年计算机视觉与图像处理国际学术会议(CVIP 2024)将于2024年11月15日-17日在中国杭州举行。会议将围绕计算机视觉与图像处理等研究领域展开，为来自国内外高等院校、科学研究所、企事业单位的专家、教授、学者、工程师等提供一个分享专业经验，扩大专业网络，面对面交流新思想以及展示研究成果的国际平台，探讨本领域发展所面临的关键性挑
图像处理实验一(Matlab Exercises and Image Fundamentals)
大摆王的博客
11-10 133
MATLAB是一种广泛使用的高性能语言，特别适用于数学计算、算法开发、数据分析和可视化。在图像处理领域，MATLAB提供了强大的工具和函数，使得图像的读取、处理和分析变得相对简单。通过MATLAB，用户可以实现从基本的图像操作到复杂的图像分析和理解的各种任务。图像是由像素组成的二维数据结构，每个像素代表图像中一个特定位置的颜色或亮度信息。在数字图像中，图像的每个像素通常用一个或多个数值来表示。例如，在RGB彩色图像中，每个像素由红、绿、蓝三个通道的值组成，而在灰度图像中，每个像素由一个值表示亮度。
推荐一款强大的图像处理软件：Adobe Photoshop2025
11-06 547
是一款强大的软件，专为用户提供多种先进的图像编辑功能。该版本包含了最新的AI移除工具、AI查找干扰功能以及Neural Filters神经滤镜插件，旨在提升用户的创作效率和成品效果。
CV图像处理小工具——语义分割json生成检测框json
每天都要看论文
11-06 301
语义分割json生成检测框json
深度学习之循环神经网络(RNN)
最新发布
weixin_43775295的博客
11-12 378
其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。​ 由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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