TPAMI 2024 | CrossHomo：跨模态和跨分辨率的单应性估计

最新推荐文章于 2024-10-12 21:53:35 发布
最新推荐文章于 2024-10-12 21:53:35 发布
阅读量65 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 深度学习 TPAMI IEEE 顶刊论文 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/141278815
版权
论文解读 IEEE TPAMI 专栏收录该内容
258 篇文章 16 订阅 ¥49.90 ¥99.00
订阅专栏

CrossHomo: Cross-Modality and Cross-Resolution Homography Estimation

题目：CrossHomo：跨模态和跨分辨率的单应性估计

作者：Xin Deng; Enpeng Liu; Chao Gao; Shengxi Li; Shuhang Gu; Mai Xu
源码：https://github.com/lep990816/CrossHomo

摘要

多模态单应性估计旨在空间对齐来自不同模态的图像，这是一个非常具有挑战性的任务，因为不同模态间的图像内容和分辨率都存在变化。在本文中，我们引入了一个名为CrossHomo的新框架来解决这一挑战性问题。我们的框架受到两个有趣发现的启发，这些发现展示了图像超分辨率和单应性估计之间的相互益处。基于这些发现，我们设计了一个灵活的多级单应性估计网络，以粗到细的方式对多模态图像进行对齐。每一级由一个多模态图像超分辨率（MISR）模块组成，以缩小不同模态间的分辨率差距，随后是一个多模态单应性估计（MHE）模块来预测单应性矩阵。据我们所知，C

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 1037
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| BadLabel：评估与增强标签噪声学习的一种鲁棒视角
小白学视觉
07-15 689
标签噪声学习（Label-noise learning, LNL）旨在提高模型在训练数据带有噪声标签的情况下的泛化能力。为了促进实用的LNL算法的发展，研究人员提出了不同类型的标签噪声，从类条件噪声到实例依赖噪声不等。在本文中，我们引入了一种新型的标签噪声类型，称为BadLabel，它可以通过大幅度降低现有LNL算法的性能来显著影响它们。BadLabel是基于标准分类的标签翻转攻击精心设计的，其中选择特定样本并将它们的标签翻转为其他标签，以便干净标签和噪声标签的损失值无法区分。
论文阅读之Cross-modality Person re-identification with Shared-Specific Feature Transfer(上)
rytyy的博客
04-05 2013
该篇文章发表于CVPR2020，作者信息如下：
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 1166
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 | 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 1048
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 1357
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 | P2T：用于场景理解的金字塔池化Transformer
小白学视觉
08-19 607
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 | TransFuser: 基于Transformer的传感器融合用于自动驾驶的模仿学习
小白学视觉
08-15 460
如何将互补传感器的表示集成用于自动驾驶？基于几何的融合在感知方面表现出了前景（例如，对象检测，运动预测）。然而，在端到端驾驶的背景下，我们发现基于现有传感器融合方法的模仿学习在具有高密度动态代理的复杂驾驶场景中表现不佳。因此，我们提出了TransFuser，一种使用自注意力机制集成图像和激光雷达表示的机制。我们的方法使用多个分辨率的变换器模块来融合透视图和鸟瞰图特征图。我们在具有长路线和密集交通的新挑战性基准测试以及CARLA城市驾驶模拟器的官方排行榜上验证了其有效性。
TPAMI 2024 | 人体运动生成：一项综述研究
小白学视觉
07-31 998
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 | SMPLer: 驾驭Transformer 用于单目 3D 人体形状和姿态估计
小白学视觉
06-08 149
作者：Xiangyu Xu; Lijuan Liu; Shuicheng Yan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。特别地，我们设计了一种 NeRF 样式的降解建模
TPAMI 2024 | RNNPose: 通过递归对应场估计和姿态优化实现6-DoF物体姿态估计
小白学视觉
08-09 89
题目：RNNPose: 6-DoF Object Pose Estimation via Recurrent Correspondence Field Estimation and Pose Optimization RNNPose: 通过递归对应场估计和姿态优化实现6-DoF物体姿态估计 作者：Yan Xu; Kwan-Yee Lin; Guofeng Zhang; Xiaogang Wang; Hongsheng Li 源码链接： https://github.com/Deca Yale/RNNPose
TPAMI 2024 | 自适应跨模态可转移对抗性攻击：从图像到视频
小白学视觉
06-24 92
对抗性样本的跨模型迁移性使得黑盒攻击变得切实可行。然而，它通常需要访问与黑盒模型相同模态的输入才能获得可靠的迁移性。遗憾的是，在安全关键场景中，数据集的收集可能很困难。因此，开发跨模态攻击以欺骗具有不同模态输入的模型将对现实世界的深度神经网络(DNN)应用构成高度威胁。上述考虑激发了我们对对抗性样本跨模态迁移性的研究。特别是，我们旨在从白盒图像模型生成视频对抗性示例，以攻击视频CNN和ViT模型。我们引入了基于观察的Image To Video (I2V)攻击，即图像和视频模型共享类似的低级特征。
TPAMI 2024 | PathNet: 基于路径选择的点云去噪
小白学视觉
07-29 637
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。
从RNN讲起(RNN、LSTM、GRU、BiGRU)——序列数据处理网络
薛定谔的猫的博客
10-12 826
循环神经网络是一类用于处理序列数据的神经网络，它一般以序列数据作为输入，通过网络内部的结构设计有效地捕捉序列之间的关系，以序列的形式输出。与传统的前馈神经网络不同，RNN具有"记忆"能力，通过在网络中引入循环连接，使得其可以利用先前的输入信息来影响当前的输出。这使得RNN非常适合处理具有时间依赖性或顺序性的任务。长短期记忆网络（LSTM, Long Short-Term Memory）是一种特殊的循环神经网络RNN，设计用来解决传统RNN在处理长序列数据时遇到的梯度消失和梯度爆炸问题。
【交通标志识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+算法模型
最新发布
子午的博客
10-12 747
交通标志识别系统。本系统使用Python作为主要编程语言，在交通标志图像识别功能实现中，基于TensorFlow搭建卷积神经网络算法模型，通过对收集到的58种常见的交通标志图像作为数据集，进行迭代训练最后得到一个识别精度较高的模型文件，然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面，实现用户上传一张交通标志图片，识别其名称。在本项目中，开发了一个基于人工智能的交通标志识别系统，旨在利用深度学习技术对常见的交通标志进行高效、准确的识别。
LSTM（长短时记忆网络）
m0_73697499的博客
10-09 986
LSTM是RNN的一种扩展形式，专门针对长期依赖问题进行了优化。通过引入细胞状态和门控机制，LSTM能够更好地管理信息流，从而在序列建模任务中表现得更加出色。无论是文本生成、机器翻译还是语音识别，LSTM都展现出了强大的潜力。
深度学习感悟
LIjin_1006的博客
10-12 311
什么是科学，科学是基于现实的观察数据，科学家根据自己的知识提出一个猜想的公式，之后用已有的数据来代人这个公式看是否匹配，但是即便匹配已经有的数据,你也要匹配一些其他的观察数据,所以很多物理公式，说到底还是拟合函数y=f(x),只是这个传入的x有时候可能比较复杂，或者输出比较复杂，但是所有的科学理论都必须能拟合已知数据，也能预测可见的未知数据，才能称为理论,所以牛顿力学是能拟合这些数据的，之后当发现有些情况不能很好拟合牛顿力学时，爱因斯坦把这个理论延伸到了更大的范围，但是所有的理论都必须能拟合观察数据。
【动物识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+计算机课设项目+Django网页界面
子午的博客
10-12 728
动物识别系统。本项目以Python作为主要编程语言，并基于TensorFlow搭建ResNet50卷积神经网络算法模型，通过收集4种常见的动物图像数据集（猫、狗、鸡、马）然后进行模型训练，得到一个识别精度较高的模型文件，然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面，实现用户上传一张动物图片，识别其名称。
LSTM 长短期记忆网络：解锁时间序列数据的深层秘密
2401_84670644的博客
10-09 1126
这个数据驱动的时代，理解和预测时间序列数据成为了许多领域的关键。从股票价格预测到天气模式分析，从自然语言处理到健康监测，时间序列数据无处不在，并且蕴含着丰富的信息。然而，传统的神经网络在处理这类数据时往往力不从心
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