![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
用于物体识别和跟踪最新领域国外优秀博士论文解读
文章平均质量分 76
用于物体识别和跟踪最新领域国外优秀博士论文解读
知新_ROL
在读博士,光学干涉计量,图像处理方向,博客记录的都是自己学习的过程中的摘录!
展开
-
基于累计残差图进行的相位解包裹算法
【代码】基于累计残差图进行的相位解包裹算法。原创 2024-05-19 21:11:44 · 26 阅读 · 0 评论 -
全景分割的自监督学习
在本章中,我们将第3章中讨论的SSL方法扩展到语义和全景分割任务。使用手动生成的标签训练的卷积神经网络通常用于语义或实例分割。在精准农业中,自动化花朵检测方法使用监督模型和后处理技术,随着花朵的外观和数据采集条件的变化,这些技术可能无法始终如一地执行。我们提出了一种自监督学习策略,使用自动生成的伪标签来提高分割模型对不同花卉物种的敏感性。我们来提高模型预测的准确性。然后将增强的语义预测转换为全景伪标签,以迭代训练多任务模型。可以使用现有的后处理方法对自监督模型预测进行细化,以进一步提高其准确性。原创 2023-10-16 08:55:44 · 353 阅读 · 1 评论 -
用于多目标检测的自监督学习(SELF-SUPER VISED LEARNING FOR MULTIPLE OBJECTDETECTION)
自动视频监控需要检测、跟踪和识别场景中感兴趣的对象。在拥挤的场景中进行精确的监控是最具挑战性的计算机视觉应用之一。为了解决机场检查站安全领域的视觉监控问题,东北大学国土安全部ALERT(爆炸相关威胁的意识和定位)卓越中心启动了CLASP(关联行李和特定乘客)项目。这项举措旨在帮助美国运输安全管理局(TSA)发现安全事件,如物品和废弃袋子被盗。目前在机场检查站检测和跟踪乘客和行李的方法将每个摄像头视野内的图像区域划分为预期乘客行为的感兴趣区域(例如,乘客他们的物品在滚筒输送机附近)[169170]。原创 2023-10-14 19:19:05 · 438 阅读 · 7 评论 -
用于物体识别和跟踪的下游任务自监督学习-2-背景
2.1用于现实世界应用的计算机视觉的基本概念有许多中间步骤涉及应用计算机视觉算法来解决现实世界中的问题。机器视觉算法从光学传感器的图像采集开始,并最终解决现实世界的决策任务,如自动驾驶汽车、机器人自动化和监控。设计现代计算机视觉算法包括传感器数据编码、解码、数据扩充和预处理、数据分解为训练/val/测试、特征提取、机器学习或深度学习算法设计,然后直观地利用模型特征预测任务解决方案或组合多个任务解决方案以提供最终结果。2.1.1图像采集图像采集是指捕捉视觉数据的过程,相机、扫描仪甚至智能手机使用成原创 2023-10-10 22:17:08 · 255 阅读 · 0 评论 -
用于物体识别和跟踪的下游任务自监督学习-1-引言
由于我们的方法只使用目标的轨迹和基于图像变换的单应性,而不依赖于相机校准和头顶目标外观,因此我们的跨相机关联算法是可扩展的,即,我们可以基于可用的计算资源增加网络大小。在本文中,我们解决了五个关键挑战:i)多对象检测和分割中的视角变化,ii)用于多对象检测、分割和跟踪的半监督/自监督/无监督学习,iii)用于语义和全景分割的SSL,iv)无监督多视图关联,v)图像/视频理解问题中的实时多摄像机多目标跟踪。我们探索了我们的自监督方法在语义分割中的有效性,而不依赖于大量的标记数据和计算昂贵的后处理方法。原创 2023-10-10 21:00:31 · 463 阅读 · 0 评论