论文阅读
文章平均质量分 92
supergxt
这个作者很懒,什么都没留下…
展开
-
[车道线检测]Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection
论文地址:Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection解决real-time efficiency. LaneATT是一个anchor based的车道线检测模型。基于全局信息来推理车道线信息,以此来解决车道线被占用,缺少markers等。Introduction车道线检测的挑战:extreme light and weather, lane markings occluded by objects, da原创 2022-05-24 20:20:24 · 475 阅读 · 0 评论 -
[车道线检测]CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution
原文连接Introduction为了解决complet topologies. 提出了一个top-to-down的框架,先找出大致实例,再预测line shape(对应起来的bottom-to-up方法我理解就是先像素级分类,然后再经过后处理例如聚类等生成一个实例)基于conditional convolution 和 row-wise formulation。构造了一个Recurrent Instance Module模块克服复杂拓扑结构的实例。大部分分割方法还是bottom-up的,因此分配实例原创 2022-05-24 20:17:33 · 763 阅读 · 0 评论 -
[车道线检测]Ultra Fast Structure-aware Deep Lane Detection
原文地址:https://arxiv.org/abs/2004.11757将车道线检测看作一个利用全局特征进行row-based selecting 的问题。Introduction车道线检测分为传统图像处理方法和深度分割方法。需要实时性,因此需要低计算量的算法。车道线检测的另一个难点是复杂场景例如severe occlusion或者是extreme lighting conditions。对于这个问题需要更高水平的语义分析。已有的分割方法不能利用车道线的先验知识(例如rigidity and原创 2022-05-24 20:14:35 · 491 阅读 · 0 评论 -
[异常检测]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised
源码地址:https://github.com/donggong1/memae-anomaly-detection问题提出''It has been observed that sometimes the autoencoder “generalizes” so well that it can also reconstruct anomalies well, leading to the miss detection of anomalies ‘’“The assumption that anoma原创 2021-09-16 19:54:12 · 1054 阅读 · 0 评论 -
[异常检测]Explainable Deep One-Class Classfication论文阅读总结
Motivation“This transformation is highly non-linear, finding interpretations poses a significant challenge.”之前例如Deep-SVDD(DSVDD)等比较经典的无监督异常检测算法,很难解释一张图片为什么是异常的,因此这篇文章考虑将之前的DSVDD模型最终比较的向量调整为二维矩(explanation heatmap),在CIFAR-10 ImageNet上面有提升,且在MVTec-AD数据集上可以原创 2021-08-20 14:42:11 · 1543 阅读 · 0 评论 -
[异常检测]Deep One-Class Classfication(Deep-SVDD) 论文阅读&源码分析
论文链接:http://proceedings.mlr.press/v80/ruff18a文章目录论文阅读摘要相关工作模型结构实验源码分析数据集制作训练论文阅读摘要“尽管deep learning在很多machine learning任务中取得成功,相对较少的deep learning方法被用在异常检测任务中。一些原本被用来做其他任务的深度模型例如生成模型或压缩模型尝试被用在异常检测任务中,但是没有基于异常检测目标训练的网络”在18年的时候,anomaly detection这个任务还没有什么深度原创 2021-07-22 15:31:38 · 3687 阅读 · 10 评论 -
Deep metric learning 深度度量学习 总结
最近的工作用是深度度量学习的改进,这里将DML进行一个总结。根据个人的理解,开篇用一句话介绍一下度量学习:“不同于分类学习,度量学习是通过学习数据之间的相似性程度来获得一个更有意义或者说更具可分性的特征空间。”Traditional metric learning核心目的:1 通过一个optimal的距离度量来判断样本之间的相似性2 减小相似样本之间的距离,增加不相似样本之间的距离限制条件:往往利用的的是线性映射,导致很难解决实际问题中的non-linear问题。(当然大部分传统方法都会遇到这原创 2021-06-23 15:54:44 · 6694 阅读 · 1 评论 -
异常检测(Out-of-distribution detection\ anomaly detection)相关论文阅读
作者 Terrance DeVries 、Graham W. Taylor论文原地址:https://arxiv.org/abs/1802.04865Learning Confidence for OOD detection in NNOOD : where a network must determine whether or not an input is outside of the set on which it is expected to safely perform提到任何事物都有认知原创 2021-06-17 10:31:50 · 3186 阅读 · 0 评论 -
长尾分布相关论文阅读
原文链接https://arxiv.org/abs/1912.02413解决问题:1 解决自然视觉中的长尾分布问题,属于extremely unbalanced recognition( real-world datasets always have skewed distributions with a long tail)2 现有的解决长尾分布方法基于 re-balancing,虽然可以提升tailed class的分类准确率,但是会影响到类内的分布情况(类内离散程度变大),也就是 classi原创 2021-06-09 11:25:12 · 304 阅读 · 0 评论