- 博客(4)
- 收藏
- 关注
RSS订阅原创 5.20自适应融合笔记
5.20自适应融合笔记围绕鲁棒性去思考；为什么鲁棒性差 各类数据的缺陷是什么 现在有两条思路：1.特征图的交叉：如何可以思考感受野，感受野上的互补，RCNN如何选框的，可以用同样的方法融合框，最主要是找到本质；2.数据源上的互补，RGB和PTS如何弥补，去阅读乱嗯 感受野的弥补可不可以改善框的回归问题任务：1.学习感受野(完成)；2.把融合论文读完；3.什么是金字塔基于信道交换的深度多模态融合aggregation-basedfusion,alignment-basedfusion, a
2021-05-21 10:42:12
627
原创 5.193D目标检测自适应融合学习笔记
5.19自适应融合笔记1.发现问题：样本数据集不均匀-行人小样本；Telsa Q2.感受野：感受野：CNN中某一feature对应(看)着的输入空间中的区域(即：输入图片的像素区域，这些像素参与了该feature的计算)被称为该feature的感受野。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着它可能蕴含更为全局，语义层次更高的特征；相反，值越小则表示其所包含的特征越趋向局部和细节。因此感受野的值可以用来大致判断每一层的抽象层次卷积神经网络每一层特征图上的像素点对应原始图像上
2021-05-19 18:09:12
624
原创 5.18 目标检测多模态融合论文梳理
1.数据融合：输入的数据，也即被融合的数 据，既可以是来自传感器的原始数据或仅经过预 处理的数据[30, 63, 67]，也可以是集成模型的子模型 输出的特征向量、特征图或计算结果[55-56]。文 献 [67] 对由深度相机提供的 RGB 图像和深度图 像分别进行处理后融合，文中提供了多个可能的 融合位置，当模型提取特征前就通过向量连接 时，融合结果作为后续完整模型的输入，属于数 据融合在 Zhou 等[53] 的论文中，激光雷达点云被投影到 RGB 图像的像 素平面，并被添加到图像作为扩展的
2021-05-18 18:19:54
1308
原创 5.173D目标检测自适应融合学习笔记
A robust fusion scheme should dynamically adapt to sensor failure and noise, emphasizing the modalities that are less corrupted and more informative, especially those degradation and noise unseen in the train data.1.结果融合的缺点：bagging下缓慢，效果是加权-prefer 特征融合FP
2021-05-18 10:30:31
1071
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人