Wavelet-based Reflection Symmetry Detection via Textural and Color Histograms
Université Jean Monnet(让·莫奈大学);CNRS(法国国家科学研究中心);Laboratoire Hubert Curien(于贝尔·居里安实验室)
对称性是图像平面内的重要视觉属性之一,它可以通过真实世界的物体来识别几何平衡的结构。现有的对称性检测方法依赖于局部图像特征及其邻域行为的描述符,从而导致不完全对称轴候选者在全局范围内发现镜像相似性。在本文中,我们提出了一种新的反射对称检测方案,基于一个可靠的基于边缘的特征提取使用Log-Gabor滤波器,加上一个有效的投票方案参数化的相应的纹理和颜色邻域信息。四个单例和三个多例对称检测数据集上的实验评估验证了所提出的工作,以找到图像内部的全局对称性的优越成就。
2017-07-22 cs.CV
NeRD: Neural 3D Reflection Symmetry Detector
Univ. of California Berkeley(加州大学伯克利分校);Univ. of Southern California(南加州大学)
最近的进展表明,对称性,大多数物体表现出的结构先验,可以支持各种单视图3D理解任务。然而,从图像中检测3D对称性仍然是一项具有挑战性的任务。以前的作品要么假设对称性是给定的,要么用基于几何的方法检测对称性。在本文中,我们提出了NeRD,一个神经3D反射对称检测器,它结合了基于学习的识别和基于几何的重建的强度,以准确地恢复对象的镜面的法线方向。具体来说,我们首先枚举的对称平面与粗到细的策略,然后找到最好的,通过建立3D成本卷检查图像内的像素对应的对称性。我们的实验表明,用我们的方法检测到的对称平面比直接CNN回归在合成和真实世界数据集上的平面更准确。我们还证明了检测到的对称性可以用于提高下游任务的性能,如姿势估计和深度图回归。本文的代码已在https://github.com/zhou13/nerd上公布。
2021-04-19 cs.CV
Multiple Reflection Symmetry Detection via Linear-Directional Kernel Density Estimation
Université Jean Monnet(让·莫奈大学);CNRS(法国国家科学研究中心);Centre Interdisciplinaire d’Etudes et de Recherches sur l’Expression Contemporaine(当代表达跨学科研究中心)
对称性是一个重要的构图特征,它通过研究像平面内的相似边来实现。它对认识宇宙中的人造或自然物体有着至关重要的作用。最近的对称性检测方法在极坐标系中的不同投票图上使用平滑核来检测对称峰,这以低效的方式分割对称轴候选区域。我们提出了一个可靠的投票表示加权线性方向核密度估计的基础上,检测具有挑战性的现实世界和合成图像的多重对称。在两个公开数据集上的实验结果表明,该算法在检测图像主要形状的全局对称轴方面具有优越的性能。
2017-04-21 cs.CV
SRN: Side-output Residual Network for Object Reflection Symmetry Detection and Beyond
在本文中,我们通过提出一个新的基准和一种端到端的深度学习方法,为复杂背景下的物体反射对称性检测建立了一个基线,为野外对称性检测开辟了一个有前途的方向。新的基准Sym-PASCAL跨越了包括对象多样性、多对象、部分不可见性和各种复杂背景在内的挑战,这些挑战远远超出了现有数据集。端到端的深度学习方法,被称为侧输出残差网络(SRN),利用输出残差单元(RU)来拟合对象真实对称性与多个阶段的侧输出之间的误差。通过以深到浅的方式级联RU,SRN利用多个阶段之间的错误“流”来解决用有限的卷积层拟合复杂输出、抑制复杂背景以及在不同尺度下有效匹配对象对称性的挑战。SRN进一步升级为多任务侧输出残差网络(MT-SRN),用于联合对称性和边缘检测,证明了其对图像到掩模学习任务的通用性。实验结果验证了Sym-PASCAL基准测试中与真实世界图像相关的挑战性方面以及所提出的SRN方法的最新性能。
2019-03-15 cs.CV
Moment kernels: a simple and scalable approach for equivariance to rotations and reflections in deep convolutional networks
Department of Computational Medicine University of California, Los Angeles(计算医学系 加州大学洛杉矶分校)
本文提出矩核,一种简单可扩展的正交变换等变卷积核,在生物医学图像任务中提升方向一致性,避免群卷积的方向通道扩展,适配标准CNN工作流程。
2026-08-03 cs.CV cs.LG
Ground-roll Separation From Land Seismic Records Based on Convolutional Neural Network
Shengli Oilfield Geophysical Research Institute of Sinopec(中国石化胜利油田物探研究院)
针对传统变换域面波压制需精细设计滤波器的问题,提出一种CNN方法,从低通滤波地震数据中同时分离面波与反射低频分量,并通过联合损失提升分离效果。
2024-09-05 cs.CV eess.SP physics.geo-ph
Using Machine Learning to Detect Rotational Symmetries from Reflectional Symmetries in 2D Images
LIACS, Leiden University(莱顿大学高级计算机科学研究所);Ornamika
自动对称检测在2021年仍然是一项艰巨的任务。然而,它在计算机视觉中的应用,它也发挥了重要作用,在理解艺术。本文着重于帮助后者通过比较不同的国家的最先进的自动对称检测算法。对于这样的算法之一,旨在反射对称性,我们提出了后处理的改进,以找到局部对称性的图像,提高检测到的对称性的选择,并确定另一种对称类型(旋转)。为了检测旋转对称性,我们贡献了一个机器学习模型,该模型根据提供的反射对称轴对检测旋转对称性。我们展示和分析的性能的扩展算法来检测局部对称性和机器学习模型分类旋转对称性。
2022-01-17 cs.CV cs.LG
Learning-based Real-time Detection of Intrinsic Reflectional Symmetry
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Maryland, College Park(马里兰大学帕克分校);University of Chinese Academy of Sciences(中国科学院大学);University of Science and Technology of China(中国科学技术大学);Cardiff University(卡迪夫大学)
反射对称性在自然界中普遍存在。虽然外在的反射对称性可以很容易地参数化和检测,内在的对称性是困难得多,由于高的解决方案空间。以往的工作通常是通过投票或抽样来解决这个问题,这具有很高的计算成本和随机性。在本文中,我们提出了\YL{a}学习为基础的方法来检测固有的反射对称性。而不是直接找到对称点对,我们参数化这个自等距使用的功能映射矩阵,这可以很容易地计算下的对称映射的拉普拉斯特征函数的符号。因此,我们训练一个新的深度神经网络来预测对称性下每个特征函数的符号,它还将前几个特征函数作为内在特征来表征网格,同时避免显式处理连通性。我们的网络旨在学习函数的全局性质,从而将定义在流形上的问题转化为函数域。通过将矩阵的预测分解为独立的基,我们的方法可以很好地推广到新的形状,并且在本征函数的扰动下是不变的。通过大量的实验,我们证明了我们的方法在具有挑战性的情况下,包括不同的拓扑结构和不完整的形状与孔的鲁棒性。通过避免随机采样,我们基于学习的算法比最先进的方法快100倍以上,同时更鲁棒,在常用指标中实现了更高的对应精度。
2019-11-01 cs.CV cs.GR
Cloud-RAIN: Point Cloud Analysis with Reflectional Invariance
University of Florida(佛罗里达大学)
针对点云分析中反射不变性未被充分研究的问题,提出Cloud-RAIN框架,利用二次神经元和PCA规范表示实现反射不变性,理论证明并实验验证其优于数据增强。
2023-05-13 cs.AI cs.CV
SymmetryNet: Learning to Predict Reflectional and Rotational Symmetries of 3D Shapes from Single-View RGB-D Images
National University of Defense Technology(国防科技大学);Princeton University(普林斯顿大学)
我们研究了单视图RGB-D图像中3D形状的对称性检测问题,其中严重缺失的数据使得几何检测方法不可行。我们提出了一个端到端的深度神经网络,它能够预测输入RGB-D图像中存在的3D对象的反射和旋转对称性。然而,直接训练用于对称性预测的深度模型可能很快就会遇到过拟合问题。我们采用多任务学习方法。除了对称轴预测之外,我们的网络还被训练来预测对称对应。特别是,给定RGB-D图像中存在的3D点,我们的网络为每个3D点输出对应于特定预测对称性的对称对应物。此外,我们的网络能够检测给定形状的多种不同类型的对称性。我们还提供了一个基于单视图RGB-D图像的3D对称性检测基准。在基准测试中的广泛评估表明,我们的方法具有很强的泛化能力,在对称轴预测和对应估计的高精度方面。特别是,我们的方法是强大的,在处理看不见的对象实例的形状变化大,多对称组成,以及新的对象类别。
2020-08-30 cs.CV cs.GR
Learning to Detect 3D Reflection Symmetry for Single-View Reconstruction
Univ. of California, Berkeley(加州大学伯克利分校);Univ. of Southern California(南加州大学)
从一幅RGB图像进行三维重建是计算机视觉中一个具有挑战性的问题。以前的方法通常是完全数据驱动的,这导致不准确的3D形状恢复和有限的泛化能力。在这项工作中,我们专注于对象级3D重建,并提出了一个基于几何的端到端深度学习框架,该框架首先检测通常存在于人造对象中的反射对称的镜像平面,然后通过找到对称的图像内像素对应来预测深度图。我们的方法充分利用了几何线索,从对称性在测试时间内,通过建立平面扫描成本卷,一个强大的工具,已被用于多视图立体视觉。据我们所知,这是第一个工作,使用的概念,成本量在单图像三维重建的设置。我们对ShapeNet数据集进行了广泛的实验,发现我们的重建方法在相机姿态和深度图的准确性方面显着优于以前最先进的单视图3D重建网络,而不需要对象完全对称。代码可在https://github.com/zhou13/symmetrynet上获得。
2020-06-17 cs.CV cs.LG
Beyond Planar Symmetry: Modeling human perception of reflection and rotation symmetries in the wild
The Pennsylvania State University(宾夕法尼亚州立大学)
人类利用现实世界的对称性来完成各种任务,但用计算模型来捕捉他们高超的对称感知机制仍然是难以捉摸的。受一项新研究的启发,该研究展示了人类在野外感知对称性的极高的人际准确性,我们构建了第一个用于反射和旋转对称性检测的深度学习神经网络(Sym-NET),该网络在MS-COCO(Microsoft-Common Object in COontext)数据集的照片上进行训练,该数据集具有来自400多名人类观察者的近11 K个一致性标签。我们采用新颖的方法将离散的人类标签转换为对称热图,在图像中密集地捕获对称性,并针对多种现有的计算机视觉算法定量评估Sym-NET。在CVPR 2013对称竞争测试集和未见过的MS-COCO照片上,Sym-NET明显优于所有其他竞争对手。除了在平面上数学上定义良好的对称性之外,Sym-NET还展示了识别视点变化的3D对称性,部分遮挡的对称对象以及语义级别的对称性的能力。
2017-08-28 cs.CV q-bio.NC stat.ML
ARD-REFSM: Enhancing Reflection Symmetry Detection with Asymmetric Denoising and Rotation Equivariance
Guangdong Laboratory of Artificial Intelligence and Digital Economy(SZ)(广东省人工智能与数字经济实验室(深圳));College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);School of Information Technology, Carleton University(卡尔顿大学信息技术学院)
针对反射对称检测中非对称干扰与旋转等变性不足的问题,提出ARD与REFSM模块,构建含多样干扰的GMSYM数据集,在多数据集上实现最优检测性能。
2026-07-31 cs.AI cs.CV
CORSAIR: Convolutional Object Retrieval and Symmetry-AIded Registration
University of California San Diego(加州大学圣迭戈分校)
本文考虑在线对象级映射使用在线获得的部分点云观测在未知的环境。我们开发和方法完全卷积对象检索和对称辅助注册(CORSAIR)。我们的模型扩展了全卷积几何特征模型,除了从点云观测中学习局部逐点特征外,还可以学习全局对象形状嵌入。全局特征用于从类别数据库中检索相似对象,局部特征用于观察对象和检索对象之间的鲁棒姿态配准。我们的配方还利用对称性,目前在对象的形状,以获得有前途的本地功能对从不同的对称类匹配。我们提出了来自不同对象类别的合成和真实世界数据集的结果,以验证我们的方法的鲁棒性。
2021-09-04 cs.CV cs.RO
Exploiting Cyclic Symmetry in Convolutional Neural Networks
Google DeepMind(谷歌DeepMind)
许多类别的图像表现出旋转对称性。有时使用数据增强来训练卷积神经网络以利用这一点,但它们仍然需要从数据中学习旋转等方差特性。将这些属性编码到网络架构中,就像我们已经习惯于使用卷积层进行平移等方差一样,可以通过减轻模型的学习来更有效地使用参数预算。我们引入了四种操作,它们可以作为层插入到神经网络模型中,并且可以组合起来使这些模型与旋转部分等变。它们还支持在不同方向上共享参数。我们评估了这些架构修改对三个数据集的影响,这些数据集表现出旋转对称性,并在较小的模型中表现出更好的性能。
2016-05-26 cs.CV cs.LG cs.NE