- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
类别无关的图像常见目标检测
摘要： 学习两幅图像的相似性是计算机视觉中的一个重要问题，具有许多潜在应用。以往大多数研究聚焦于通过三个方面生成图像相似度：全局特征距离计算、局部特征匹配和图像概念比较。然而，直接从两幅图像中检测类别无关的公共对象这一任务此前尚未被研究，该任务进一步实现了区域级别的图像相似性捕捉。本文提出端到端的图像公共对象检测网络（CODN）来检测两幅图像中的类别无关公共对象。该方法包含两个主要?？椋憾ㄎ荒？楹推ヅ淠？?。定位?？槲糠枷裆珊蜓√嵋榍?，匹配模块学习两幅图像候选提议对之间的相似性并优化候选框位置。CODN的学习过程采用集成化实现，并设计多任务损失函数以保证区域定位与公共对象匹配的双重效果。实验在PASCAL VOC 2007和COCO 2014数据集上进行，验证了所提方法的有效性。
关键词： 常见目标检测、关系网络、孪生网络
更新于2025-09-23 15:22:29
-
[IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 基于域相似性判别器的对抗性域适应方法在城市区域语义分割中的应用
摘要： 现有的城市区域语义分割模型在监督学习环境下表现良好。然而，为训练此类模型从每个城市收集大量标注图像既耗时又困难。此外，当将分割模型从训练城市（源域）迁移到未见过城市（目标域）时，由于领域偏移，性能会大幅下降。为此，我们提出一种带有领域相似性判别器的领域自适应方法，在对抗学习框架中消除这种领域偏移。与单输入对抗网络不同，我们的领域相似性判别器由孪生网络构成，能够测量成对输入数据的相似性。通过这种方式，我们可以利用更多关于成对输入的信息来衡量不同分布之间的相似性，从而解决领域偏移问题。实验结果表明，我们的方法在三个不同城市上优于对比方法。
关键词： 领域自适应、城市区域、语义分割、领域偏移、孪生网络
更新于2025-09-23 15:22:29
-
检测机载激光扫描数据与摄影测量数据之间的建筑物变化
摘要： 检测城市环境中的地形变化并保持城市级点云数据的时效性，是城市规划与监测的重要任务。实际应用中，不同时期的遥感数据往往仅以不同模态形式存在。由于输入数据的多模态特性及密集匹配误差，机载激光扫描数据与摄影测量数据间的变化检测具有挑战性。本文提出一种多模态采集数据间建筑物变化检测方法：将多模态输入数据转换后输入轻量级伪孪生卷积神经网络（PSI-CNN）进行变化检测，并比较了不同网络配置与融合策略?；诖笮统鞘惺菁氖笛檠橹ち怂岱椒ǖ挠行浴帽浠颊倩芈蚀?6.17%，精确率达68.16%，F1分数为76.13%。通过对比孪生架构与前馈架构，本研究为多模态数据处理网络设计提供了诸多重要发现与建议。
关键词： 卷积神经网络、变化检测、密集图像匹配、机载激光扫描、孪生网络、多模态数据
更新于2025-09-23 15:19:57
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于孪生网络的点云特征描述符判别学习
摘要： 尽管深度学习已广泛应用于点云的分类与检测任务中，但直接提取点云中的物体特征描述符仍具有挑战性——这些方法通常隐藏了网络中的特征表征。由于激光扫描仪获取的点云数据往往存在密度差异、无序性甚至不同遮挡情况，超出了手工设计描述符（如FPH、FPFH、VFH、ROPS等）的处理能力，在此背景下，本文旨在通过原始点云数据直接提取点云物体的特征描述符。受最新的Siamese网络[6]、PointNet[7]和PointNet++[8]的成功应用启发，我们提出了一种创新网络架构，可直接提取完整点云物体的特征描述符。该网络以欧氏距离作为反映特征描述符相似度的损失函数进行训练。实验对象数据集由移动激光扫描(MLS)系统采集，包含6个类别。实验结果表明，本网络具有强鲁棒泛化能力，能良好实现完整点云物体特征描述符的直接提取。
关键词： 点云、移动激光扫描、特征描述、孪生网络
更新于2025-09-10 09:29:36