论文阅读《JDACS: Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation》

已于 2023-12-25 14:51:31 修改
阅读量3k 收藏 2
点赞数 1
分类专栏： CV顶会(刊)论文阅读 文章标签： 深度学习 计算机视觉 机器学习
于 2021-12-13 14:26:24 首次发布
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/weixin_40957452/article/details/121880868
版权

论文地址：Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation

问题的提出

  由于光照等因素的影响，不同视图下同名点的颜色不一致，这是自监督学习与有监督学习的表现性能差异很大的关键原因。为此，该文提出了协同分割分支和数据增强分支来解决这个问题。
在这里插入图片描述

网络整体架构

在这里插入图片描述

网络结构——深度估计分支（Depth Estimation Branch）

在这里插入图片描述
使用CVP_MVSNet作为Backbone：
在这里插入图片描述
  1张参考视图，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
CV科研随想录
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
Auto-Weighted Multi-view Learning.zip_Image Clustering；_Multi-vi
07-14
Auto-Weighted Multi-view Learning for Image Clustering and Semi-supervised Classification
多目立体匹配的前世今生 | 聊一聊MVS及其在3D检测中的应用
CV_Autobot的博客
10-09 1229
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【数据集下载】获取计算机视觉近30种数据集！学习资料：GitHub仓库：https://github.com/krahets/awesome-mvsGitHub仓库：https://github.com/walsvid/Awesome-MVSMultiple View Geometry in ...
Self-labeled-techniques-for-semi-supervised-learning
05-15
用于半监督学习的自标记技术 2017年在罗马的Sapienza大学进行的一次神经网络项目课程。 项目报告： 实际部分： 创建的算法： 和
Self-Supervised-Sketch-to-Image-Synthesis-PyTorch:AAAI-2021论文“Self-Supervised Sketch-to-Image Synthesis”的pytorch实现
05-30
自监督-Sketch2Image-pytorch 自监督草图到图像模型的 pytorch 实现，该论文可以在找到。 0. 数据 对于 CelebA 和 WikiArt 绘画图像，预处理后的 RGB 图像数据及其对应的草图图像可在此 1. 说明 代码结构如下： models.py：所有模型的结构定义，包括样式编码器、内容编码器、解码器、生成器和鉴别器。 datasets.py：训练过程中的数据预处理和数据加载方法，例如风格图像增强逻辑和草图增强逻辑。 train_step_1_ae.py：自编码器的训练细节，包括目标函数、优化方法、训练过程。 train_step_2_gan.py：GAN 的训练细节，包括目标函数、优化方法、训练过程。 train.py：代码的主要入口，执行这个文件来训练我们的模型，中间结果和检查点会定期保存。 config.py：这里定义了所有超参数的设置，
A unified dimensionality reduction framework for semi-paired and semi-supervised multi-view data
02-09
Canonical correlation analysis (CCA) is a popular and powerful dimensionality reduction method to analyze paired multi-view data. However, when facing semi-paired and semi-supervised multi-view data which widely exist in real-world problems, CCA usually performs poorly due to its requirement of data pairing between different views and un-supervision in nature. Recently, several extensions of CCA have been proposed, however, they just handle the semi-paired scenario by utilizing structure informa
【论文简述】Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentat（AAAI 2021）
qq_43307074的博客
04-28 569
【论文简述】Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentat（AAAI 2021）
文献阅读-Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation
MRzzyy的博客
06-03 709
Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation 1.四个问题 要解决什么问题？ 自监督在多视图立体（MVS）重建中不稳定的问题 用了什么方法解决 为了解决这个问题，提出了一个框架，该框架与由语义协同分割和数据增强引导的更可靠的监督相结合。 特别地，从多视图图像中挖掘相互语义来指导语义一致性。 并且设计了有效的数据增强机制，通过将常规样本的预测视为伪地面实况来规范增强样本的预测，从而确保
无监督重建——JDACS
如人饮水、冷暖自知
09-23 1096
Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation一、网络结构1.深度预测分支2.语义一致性分支3.数据增强分支4.网络损失 一、网络结构 语义一致性分支+深度预测分支+数据增强分支 1.深度预测分支 采用MVSNet、AACVP-MVSNet等骨干网络，用于预测深度图 损失： M为掩膜。 2.语义一致性分支 流程:预训练vgg特征提取→非负矩阵分解→重塑为热图→softm
自监督的三维重建论文总结（MVSNet系列）
weixin_42663567的博客
02-18 3200
目前我看到的无监督的方法就是这么几篇，会持续更新相关论文。 其实都是基于第一篇提出的基于光度一致性做文章，在那个基础上使用各种层面上的光度一致性约束。 Learning Unsupervised Multi-View Stereopsis via Robust Photometric Consistency MVS2: Deep Unsupervised Multi-view Stereo with Multi-View Symmetry M3VSNet: Unsupervised Multi-metri
计算机视觉论文-2021-08-03
中科院AI算法工程师的博客
08-03 2439
本专栏是计算机视觉方向论文收集积累，时间：2021年8月3日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction AUTHORS: FANG ZHENG et. al. CATEGORY: cs.A...
SS-SFDA-Self-Supervised-Source-Free-Domain-Adaptation-for-Road-Segmentation-in-Hazardous-Environme:论文“ SS SFDA”的代码库
04-12
论文 项目页面 在观看整个视频 如果您觉得有用，请引用我们的论文。 @article{kothandaraman2020safe, title={SAfE: Self-Attention Based Unsupervised Road Safety Classification in Hazardous Environments},...
AAAI 2021全部大奖出炉！华人霸屏！北航、华科校友获最佳论文，华南理工获杰出论文
深度学习技术前沿
02-05 998
AAAI 2021在万众期待中终于开幕啦！最佳论文、杰出论文等大奖也全部陆续出炉，华人担任主席，12篇获奖论文华人占据5席，今年的AAAI可谓是被华人力量霸屏了！本届大会在最佳论文奖的设置...
【AAAI 2021】全部接受论文列表（二）
yinizhilianlove的博客
01-14 5452
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况   人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.
CVPR2021| 基于自监督学习的多视图立体匹配 (CVPR2021)
3D视觉工坊
04-26 2337
Self-supervised Learning of Depth Inference for Multi-view Stereo (CVPR2021)代码地址：Github: https://github.com/JiayuYANG/Self-supervised-CVP-MVSNetSelf-sup CVP-MVSNet简介尽管近年来基于深度学习的多视图立体匹配（Mu...
开源|AAAI2021杰出论文-三维重建新探索：让自监督信号更可靠！
3D视觉工坊
05-27 1304
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨许鸿斌来源丨极市平台编辑丨极市平台导读现有的方法都是假设不同视图之间的对应点具有相同的颜色，这在实践中并不总是正确的。这可能导...
AAAI 2021开幕：华人大满贯，北航学子“摘下”最佳论文，两名微软亚研院中国学者获得首个杰出SPC奖...
AITIME_HY的博客
02-05 976
刚刚！人工智能顶级会议 AAAI 2021 在线上开幕，作为 2021 年首个人工智能顶会，华人学者取得了大满贯。具体表现为：两名中国来自微软亚洲研究院的中国学者获得了杰出 SPC 奖，其...
三维重建概述
薛定谔的猫头咕咕咕
09-26 1290
三维重建（3D Reconstruction）   用相机拍摄真实世界的物体、场景，并通过计算机技术进行处理得到物体的三维模型。主要包含一下技术：多视图立体几何、深度图估计、点云处理、网格重建与优化、纹理贴图、马尔可夫随机场、图割等等。三维重建是增强现实（AR）、混合现实（MR）、机器人导航、自动驾驶等领域的核心技术之一。    ...
【CVPR2019_论文汇总】（按方向划分，0401 更新中）
热门推荐
maweifei的博客
04-01 3万+
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
5篇CVPR 各路大佬显身手 点云分割、姿态估计、物体检测、生成重建
3D视觉工坊
04-07 3190
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达3D方向：港中文针对分割问题提出双重设置点分组模型；清华提出无需 PoseNet 的联合深度姿势学习；北理工和百度提出基于LiDA...
介绍一下：Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion
最新发布
05-11
Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion 是一篇论文，主要探讨了如何利用自监督学习的方法对高光谱图像进行超分辨率重建。该方法使用了分离和耦合网络的结构，以及子像素融合技术，可以有效地提高超分辨率重建的精度和效率。该论文提出的算法不需要额外的训练数据，能够自动从低分辨率图像中学习高分辨率信息，实现了高质量的超分辨率重建。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

CV科研随想录

你的鼓励将是我创作的最大动力

¥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