本文介绍了SRN(Side-output Residual Network)——一种用于检测自然和人造物体对称性的深度学习方法。论文在CVPR 2017发表，基于HED网络进行了改造，主要创新在于deep-to-shallow和shallow-to-deep的网络结构。通过残差学习，SRN有效地检测图像对称性，与HED的主要区别在于使用side-output的残差而非直接的输出。文章还提供了代码链接，并提到了对HED的理解有助于理解SRN，同时分享了两篇关于HED代码运行的博客文章链接。
论文名称：SRN: Side-output Residual Network for Object Symmetry Detection in the Wild ----CVPR 2017
code地址：https://github.com/KevinKecc/SRN
论文概述：一篇做图像对称性骨骼的论文，与以往不同的是，此篇论文中采用了自定义的benchmark，基于HED进行网络改造，主要为deep-to-shallow和shallow-to-deep两部分，实验结果图 如下所示：
论文详解:
首先，对称性普遍存在与一些物体，例如，自然界中的鸟，树木，人造物如 飞机等，对称线也是一个很关键的视觉任务和研究方向
1790
4589
904
486
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
