Learning Human Pose Estimation Features with Convolutional Networks
New York University（纽约大学）；MPI Saarbruecken（萨尔布吕肯马克斯·普朗克研究所）；University of Guelph（圭尔夫大学）
本文介绍了一种新的架构，用于人体姿态估计使用多层卷积网络架构和修改的学习技术，学习低级别的功能和更高级别的弱空间模型。无约束人体姿态估计是计算机视觉中最困难的问题之一，我们的新架构和学习模式显示出显着的改善，目前的国家的最先进的结果。本文的主要贡献是首次表明，深度学习的一个特定变体能够在这项任务上胜过所有现有的传统架构。本文还讨论了在研究替代方案时学到的几个经验教训，最值得注意的是，可以在甚至可能只覆盖图像中几个像素的特征上学习强大的低级特征检测器。更高级别的空间模型在一定程度上改善了整体结果，但程度远低于预期。许多研究人员以前认为，运动学结构和自上而下的信息对这个领域至关重要，但通过我们纯粹的自底向上的和弱空间模型，我们可以改进其他更复杂的架构，目前产生最好的结果。这反映了许多其他研究人员，如语音识别，对象识别和其他领域的研究人员所经历的情况。
2014-04-23 cs.CV cs.LG cs.NE
Multilanguage Number Plate Detection using Convolutional Neural Networks
目标检测是当前技术研究的热门领域。近年来，它的学习性能吸引了研究者们的广泛关注。车牌（NP）检测和分类分析了几十年，但是，它需要更精确的方法，状态，语言和设计独立，因为汽车现在很容易从状态转移到另一个状态。本文提出了一种新的策略来检测NP并理解NP的民族、语言和布局。提出了一种基于ResNet属性提取器核心的YOLOv 2传感器用于NP检测，并提出了一种全新的卷积神经网络结构用于NP分类。该检测器的平均准确率为99.57%，国家，语言和布局分类精度为99.33%。结果优于大多数以前的作品，可以推动该地区向国际NP检测和识别。
2020-08-18 cs.CV
Convolutional Feature Masking for Joint Object and Stuff Segmentation
Microsoft Research（微软研究院）
由于卷积神经网络（CNN）学习的强大功能，语义分割的主题已经取得了相当大的进展。当前主要的语义分割方法通过从掩蔽的图像区域提取CNN特征来利用形状信息。这种策略在图像上引入了人工边界，并可能影响提取特征的质量。此外，原始图像域上的操作需要在单个图像上计算数千个网络，这是耗时的。在本文中，我们建议通过掩蔽卷积特征来利用形状信息。提案部分（例如，超像素）被视为卷积特征图上的掩模。片段的CNN特征直接从这些图中掩蔽出来，并用于训练分类器进行识别。我们还提出了一种联合方法来处理对象和“东西”（例如，草，天空，水）在同一框架内。最先进的结果在PASCAL VOC和新PASCAL-CONTEXT的基准测试中得到了证明，具有令人信服的计算速度。
2015-04-02 cs.CV
Pointwise Attention-Based Atrous Convolutional Neural Networks
Sharif University of Technology（谢里夫理工大学）
随着深度卷积神经网络的快速发展，在几乎所有的机器人应用中，3D点云的可用性提高了3D语义分割方法的准确性。将这些不规则的、非结构化的和无序的3D点从多个视点渲染到2D图像会带来一些问题，例如由于3D到2D投影而导致的信息丢失、离散化伪影和高计算成本。为了有效地处理大量的点，并纳入更多的上下文的每一个点，逐点注意力为基础的atrous卷积神经网络架构的建议。它专注于所有特征图中突出的3D特征点，同时通过空间通道注意力模块考虑突出的上下文信息。所提出的模型进行了评估的两个最重要的三维点云数据集的三维语义分割任务。与最先进的模型相比，它在精度方面实现了合理的性能，参数数量少得多。
2019-12-27 cs.CV
A multi-stream convolutional neural network for classification of progressive MCI in Alzheimer's disease using structural MRI images
Universitat Oberta de Catalunya（加泰罗尼亚开放大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
提出一种基于解剖标志点提取图像块的多流卷积神经网络，通过迁移学习弥补数据不足，实现了稳定型与进展型MCI的高效分类。
2022-03-03 cs.CV cs.LG eess.IV
Change Detection from SAR Images Based on Deformable Residual Convolutional Neural Networks
Ocean University of China（中国海洋大学）
卷积神经网络（CNN）在合成孔径雷达（SAR）图像变化检测方面取得了很大的进展。然而，传统卷积核的采样位置是固定的，不能根据SAR图像的实际结构而改变。此外，自然场景中的物体可能以不同的尺寸出现，这就要求网络具有更强的多尺度表示能力。本文设计了一种新的\underline{D}改进的\underline{R}剩余卷积神经\underline{N}网络（DRNet），用于SAR图像变化检测。首先，DRNet引入了可变形的卷积采样位置，卷积核的形状可以根据地物的实际结构自适应调整。为了创建可变形采样位置，根据输入图像的空间信息计算每个像素的2-D偏移。然后，像素的采样位置可以自适应地反映输入图像的空间结构。此外，我们提出了一种新的池化模块取代香草池化，有效地利用多尺度信息，通过构建层次残差连接在一个池化层，提高了多尺度表示能力在粒度级别。在三个真实SAR数据集上的实验结果证明了所提出的DRNet的有效性。
2021-04-06 cs.CV
Building Segmentation through a Gated Graph Convolutional Neural Network with Deep Structured Feature Embedding
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心）
由于建筑物形状的复杂性，从光学图像中自动提取建筑物仍然是一个挑战。语义分割是一种有效的方法。深度卷积神经网络（DCNN）的最新发展使精确的像素级分类任务成为可能。然而，一个核心问题仍然存在：边界的精确划定。深度架构通常无法产生具有准确边界的细粒度分割，因为它们是渐进式下采样的。因此，我们引入了一个通用的框架来克服这个问题，将图卷积网络（GCN）和深度结构化特征嵌入（DSFE）集成到端到端的工作流程中。此外，我们提出了一种门控图卷积网络，而不是使用经典的图卷积神经网络，它能够细化弱和粗语义预测，以生成清晰的边界和细粒度的像素级分类。以建筑物足迹的语义分割为例，比较了不同的特征嵌入结构和图神经网络。我们提出的框架与新的GCN架构优于国家的最先进的方法。虽然我们在这项工作中的主要任务是建筑足迹提取，所提出的方法可以普遍适用于其他二进制或多标签分割任务。
2019-11-08 cs.CV
Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition
Aarhus University（奥胡斯大学）
图卷积网络（GCN）在基于骨架的人体动作识别中非常成功，其中骨架序列被建模为图。然而，该领域中的大多数基于GCN的方法训练具有固定拓扑结构的深度前馈网络，这导致高计算复杂性并限制其在低计算场景中的应用。在本文中，我们提出了一种方法来自动找到一个紧凑的和特定问题的拓扑空间-时间图卷积网络在渐进的方式。在两个广泛使用的人体动作识别数据集上的实验结果表明，该方法具有竞争力，甚至更好的分类性能与国家的最先进的方法相比，具有更低的计算复杂性.
2021-04-26 cs.CV cs.LG
Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images
University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；DarwinAI Corp.（DarwinAI公司）
肺纤维化是一种毁灭性的慢性肺部疾病，其导致不可修复的肺组织瘢痕和损伤，导致肺容量的进行性丧失，并且没有已知的治愈方法。肺纤维化的治疗和管理中的关键步骤是评估肺功能下降，其中计算机断层扫描（CT）成像是用于确定由肺纤维化引起的肺损伤程度的特别有效的方法。受此启发，我们引入了Fibrosis-Net，这是一种深度卷积神经网络设计，用于预测胸部CT图像的肺纤维化进展。更具体地说，利用机器驱动的设计探索来确定用于CT肺部分析的强大架构设计，在此基础上，我们构建了定制的网络设计，该设计用于基于患者的CT扫描、初始肺量计测量和临床元数据来预测用力肺活量（FVC）。最后，我们利用可解释性驱动的性能验证策略来研究Fibrosis-Net的决策行为，以验证预测是基于CT图像中的相关视觉指标的。使用来自OSIC肺纤维化进展挑战的患者队列进行的实验表明，所提出的Fibrosis-Net能够实现比挑战中的获胜解决方案显著更高的改良拉普拉斯对数似然分数。此外，可解释性驱动的性能验证表明，当预测肺纤维化进展时，所提出的Fibrosis-Net通过利用CT图像中的临床相关视觉指标表现出正确的决策行为。虽然Fibrosis-Net还不是一个生产就绪的临床评估解决方案，但我们希望它以开源方式发布将鼓励研究人员，临床医生和公民数据科学家利用和建立它。
2021-04-20 cs.CV cs.LG eess.IV
Convolutional Neural Network Simplification with Progressive Retraining
State University of Campinas（坎皮纳斯州立大学）
核修剪方法已经被提出来加速、简化和改进卷积神经网络（CNN）模型的解释。然而，简化模型的有效性往往低于原始模型。在这封信中，我们提出了新的方法的基础上，客观和主观的相关性标准的核消除在一个逐层的方式。在该过程中，仅当当前层被完全简化时，通过将权重从下一层调整到第一层并保留该过程中不涉及的后续层的权重，才重新训练CNN模型。我们称这种策略为\emph{progressive retraining}，与内核修剪方法不同，后者通常在每个简化操作后重新训练整个模型-例如，去除一个或几个核。我们的主观相关性标准利用人类识别视觉模式的能力，提高了设计师对简化过程的理解。适当的相关性标准和渐进式再训练的组合表明，我们的方法可以提高有效性与相当大的模型简化。我们还证明，我们的方法可以提供更好的结果比两个流行的和另一个从国家的最先进的使用四个具有挑战性的图像数据集。
2021-01-12 cs.CV cs.LG
Monitoring Achilles tendon healing progress in ultrasound imaging with convolutional neural networks
Medical University of Warsaw（华沙医科大学）；University of Warsaw（华沙大学）；SGH Warsaw School of Economics（SGH华沙经济学院）；Carolina Medical Center（卡罗莱纳医疗中心）；Warsaw University of Technology（华沙理工大学）；Tooploox
跟腱断裂是一种使人衰弱的损伤，通常通过手术修复和长期康复来治疗。然而，复苏是长期的，而且往往是不完全的。诊断以及愈合进展评估主要基于超声和磁共振成像。在本文中，我们提出了一种基于深度学习的自动方法，用于分析跟腱状况并估计其在超声图像上的愈合进度。我们开发了自定义卷积神经网络，用于愈合评分和特征提取的分类和回归。我们的模型在超过250.000个矢状和超过450.000个轴向超声切片的采集数据集上进行训练和验证。所获得的估计值显示出与放射科专家评估的高度相关性，就描述愈合进展的所有关键参数而言。我们还观察到与i.a.腱内愈合过程用矢状切片更好地建模。我们证明，超声成像是定量的跟腱愈合过程的临床评估有用，应被视为补充磁共振成像。
2019-09-11 cs.CV eess.IV q-bio.QM
Fibro-CoSANet: Pulmonary Fibrosis Prognosis Prediction using a Convolutional Self Attention Network
Brainekt AI Lab（Brainekt AI 实验室）；Khulna University of Engineering & Technology（库尔纳工程技术大学）；Ryerson University（瑞尔森大学）；Vector Institute for AI（向量人工智能研究院）；University Health Network (UHN)（大学健康网络）；University of Toronto（多伦多大学）
特发性肺纤维化（IPF）是一种限制性间质性肺疾病，通过肺组织瘢痕形成导致肺功能下降。尽管肺功能下降通过用力肺活量（FVC）评估，但确定IPF的准确进展仍然是一项挑战。为了应对这一挑战，我们提出了Fibro-CoSANet，这是一种基于端到端多模式学习的新方法，用于预测FVC下降。Fibro-CoSANet在具有堆叠注意力层的卷积神经网络框架中利用CT图像和人口统计信息。在OSIC肺纤维化进展数据集上进行的大量实验证明了我们提出的Fibro-CoSANet的优越性，其最新改良Laplace Log-Likestive评分为-6.68。该网络可能有利于设计网络以提高IPF预后准确性的研究领域。Fibro-CoSANet的源代码可从以下网址获得：\url{https://github.com/zabir-nabil/Fibro-CoSANet}。
2021-04-13 cs.CV cs.LG eess.IV
Estimating Achilles tendon healing progress with convolutional neural networks
University of Warsaw（华沙大学）；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）；Carolina Medical Center（卡罗莱纳医疗中心）；Tooploox
对跟腱愈合过程中的治疗进展进行定量评估-现代医疗实践中最常见的肌肉骨骼疾病之一-通常是一个漫长而复杂的过程：需要由放射学专家获取和分析多个MRI方案。在本文中，我们建议使用一种基于预训练的卷积神经网络的新方法来显着降低这种评估的复杂性。我们首先在来自3000多个3D MRI研究的500，000多个2D轴向横截面上训练我们的神经网络，以根据患者的状况将MRI图像分类为健康或受伤类别。然后，我们采用修改后的预训练网络的输出，并在特征的PCA缩减空间上应用线性回归来评估治疗进展。我们的方法可以减少高达5倍的数据量需要在MRI扫描过程中注册，而没有任何信息丢失。此外，我们能够在6个主要标准中的3个标准中以与人类专家相同的准确度预测愈合过程阶段。最后，与目前依赖放射科医生主观意见的再生评估方法相反，我们的方法可以客观地比较不同的治疗方法，从而改善诊断和患者的恢复。
2018-06-19 cs.CV
CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning
Qianan College, North China University of Science and Technology（华北科技大学千安学院）；School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络安全学院）；College of Science, North China University of Science and Technology（华北科技大学理学院）
针对CNN隐写中不可见性与安全性不足的问题，提出融合课程学习的渐进式多尺度卷积网络CLPSTNet，在三个大型数据集上实现高PSNR、SSIM和解码精度，并降低隐写分析得分。
2025-04-23 cs.AI cs.CR cs.CV
Research on the Detection Method of Breast Cancer Deep Convolutional Neural Network Based on Computer Aid
Xi'an Jiaotong-Liverpool University（西安交通大学-利物浦大学）
传统的乳腺癌图像分类方法需要人工从医学图像中提取特征，不仅需要专业的医学知识，而且存在费时费力、难以提取高质量特征等问题。因此，本文提出了一种基于计算机特征融合卷积神经网络的乳腺癌图像分类检测方法。本文先对两个不同结构的卷积神经网络进行预训练，然后利用卷积神经网络自动提取特征的特征，再对从两个结构中提取的特征进行融合，最后利用分类器对融合后的特征进行分类。实验结果表明，该方法在乳腺癌图像数据集分类中的准确率为89%，与传统方法相比，乳腺癌图像的分类准确率有显著提高。
2021-04-23 cs.CV eess.IV
Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease
Weill Cornell Medical College, Cornell University（康奈尔大学威尔康奈尔医学院）；University of Connecticut（康涅狄格大学）；Feinberg School of Medicine, Northwestern University（西北大学范伯格医学院）；Michigan State University（密歇根州立大学）
帕金森病（PD）是影响数千万美国人的最普遍的神经退行性疾病之一。PD是高度进行性和异质性的。近年来，使用临床和生物标志物数据进行了相当多的PD预测或疾病进展建模研究。神经影像学作为神经退行性疾病的另一重要信息源，也引起了PD界的极大兴趣。在本文中，我们提出了一种基于图卷积网络（GCN）的深度学习方法，用于在关系预测中融合多种模式的脑图像，这对于区分PD病例和对照是有用的。在帕金森病进展标志物倡议（PPMI）队列中，我们的方法实现了$0.9537\pm 0.0587$ AUC，而传统方法（如PCA）实现了$0.6443\pm 0.0223$ AUC。
2019-05-07 cs.CV
Research on Deep Learning Model of Feature Extraction Based on Convolutional Neural Network
Washington University（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；New York University（纽约大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）
针对肺炎图像识别中浅层网络能力不足与深层模型终端计算成本高的问题，本文结合 AlexNet、InceptionV3 与知识提取优化模型，提升准确率并显著降低 GPU 占用。
2024-06-13 cs.CV cs.LG eess.IV
BAPGAN: GAN-based Bone Age Progression of Femur and Phalange X-ray Images
LPIXEL Inc.（LPIXEL公司）；Saitama Prefectural University（埼玉县立大学）；Okayama City General Medical Center, Okayama City Hospital（冈山市综合医疗中心 冈山市立医院）；Okayama University（冈山大学）
卷积神经网络在骨龄评估中发挥着关键作用，用于研究各种模式和身体部位下的内分泌学，遗传学和生长障碍。然而，没有研究人员解决骨龄进展/回归，尽管其有价值的潜在应用：骨相关疾病诊断，临床知识获取和博物馆教育。因此，我们提出了骨龄进展生成对抗网络（BAPGAN）来进步/回归股骨/指骨X射线图像，同时保持身份和现实主义。我们通过Frechet起始距离，两位专家骨科医生的视觉图灵测试和t-分布随机邻居嵌入，详尽地证实了BAPGAN的临床潜力。
2021-10-16 cs.CV cs.LG eess.IV
Multi-region segmentation of bladder cancer structures in MRI with progressive dilated convolutional networks
ETS Montreal（蒙特利尔工程技术学院）；Fourth Military Medical University（第四军医大学）；Xidian Univeristy（西安电子科技大学）
膀胱壁和肿瘤区域的精确分割是无创识别肿瘤分期和分级的重要一步，这对膀胱癌（BC）患者的治疗决策和预后至关重要。然而，在磁共振图像（MRI）中自动描绘膀胱壁和肿瘤是一项具有挑战性的任务，这是由于重要的膀胱形状变化、尿液中强烈的强度不均匀性以及人群中非常高的变异性，特别是在肿瘤外观上。为了解决这些问题，我们建议使用深度全卷积神经网络。建议的网络包括扩张卷积，以增加接收场，而不会产生额外的成本，也不会降低其性能。此外，我们在每个卷积块中引入渐进式扩张，从而实现广泛的感受野，而无需大的扩张率。建议的网络进行评估3.0T T2加权MRI扫描从60例病理证实的BC患者。实验结果表明，该模型具有较高的准确性，内壁、外壁和肿瘤区域的平均Dice相似系数分别为0.98、0.84和0.69。这些结果代表了一个非常好的协议与参考轮廓和性能的增加相比，现有的方法。此外，对于整个3D体积，推断时间小于一秒，这比用于该应用的相关最先进方法快2-3个数量级。我们表明，CNN可以在MRI上对膀胱癌患者的膀胱壁和肿瘤进行精确分割。整个分割过程是全自动的，并且产生的结果与参考标准非常一致，证明了深度学习模型用于膀胱癌MRI图像的自动多区域分割的可行性。
2018-11-20 cs.CV
Automatic Defect Detection of Print Fabric Using Convolutional Neural Network
Wislon College of Textiles, North Carolina State University（北卡罗来纳州立大学威尔逊纺织学院）
由于织物疵点的纹理和类型的可变性，自动检测疵点是一项具有挑战性的任务。有效的缺陷检测系统使制造商能够提高工艺和产品的质量。整个纺织制造系统的自动化将减少织物浪费，并通过节省成本和资源来提高盈利能力。目前，对使用图像处理和机器学习技术的自动缺陷检测系统有不同的研究。这些技术基于制造工艺和缺陷类型而彼此不同。研究人员还能够在织造过程中建立实时缺陷检测系统。虽然，已经有关于图案化织物缺陷检测的研究，但是这些缺陷与织造缺陷（例如，孔和经、纬向缺陷）有关。但是，还没有任何研究旨在检测在诸如斑点和印刷不匹配期间出现的缺陷。本研究通过开发印花织物数据库和实现深度卷积神经网络（CNN）来填补这一空白。
2021-01-03 cs.CV cs.LG
Effective Training of Convolutional Neural Networks with Low-bitwidth Weights and Activations
Monash University（莫纳什大学）；The University of Adelaide（阿德莱德大学）；South China University of Technology（华南理工大学）
本文解决了训练低位宽权重和激活的深度卷积神经网络的问题。由于量化器的不可微性，优化低精度网络是非常具有挑战性的，这可能导致大量的精度损失。为了解决这个问题，我们提出了三种实用的方法，包括（i）渐进量化;（ii）随机精度;和（iii）联合知识蒸馏，以改善网络训练。首先，对于渐进量化，我们提出了两个方案，逐步找到良好的局部极小值。具体来说，我们建议首先用量化权重优化一个网络，然后再进行重新激活。这与同时优化它们的传统方法相反。此外，我们还提出了第二种渐进量化方案，该方案在训练过程中从高精度到低精度逐渐减小位宽。其次，为了减轻由于多轮训练阶段而造成的过度训练负担，我们进一步提出了一个一阶段随机精度策略，以随机采样和训练子网络，同时保持其他部分的全精度。最后，我们采用了一种新的学习方案，联合训练一个全精度模型和低精度模型。通过这样做，全精度模型提供了指导低精度模型训练的提示，并显着提高了低精度网络的性能。在各种数据集上进行了广泛的实验（例如，CIFAR-100，ImageNet）显示了所提出的方法的有效性。
2021-06-04 cs.CV
Feeding the zombies: Synthesizing brain volumes using a 3D progressive growing GAN
Linköping University（林雪平大学）
深度学习需要大型数据集来训练具有数百万参数的（卷积）网络。在神经成像中，很少有具有超过100个受试者的开放数据集，这使得例如难以训练分类器以区分控制者和患病者。生成对抗网络（GANs）可用于合成数据，但几乎所有的研究都集中在2D图像上。在医学成像中，特别是在神经成像中，大多数数据集都是3D或4D的。因此，在这里，我们提出了初步的结果表明，一个3D渐进式增长的GAN可以用来合成MR脑体积。
2020-01-24 cs.CV eess.IV
XDementNET: An Explainable Attention Based Deep Convolutional Network to Detect Alzheimer Progression from MRI data
Dept. of Electronics and Communication Engineering Khulna University of Engineering & Technology（电子与通信工程系 Khulna 工程技术大学）
本研究提出融合多残差块、多种注意力机制的可解释深度卷积网络XDementNET，在多公开数据集的AD分期分类任务中准确率优于现有最优方法，可有效从MRI图像提取信息辅助诊断。
2025-05-20 cs.AI cs.CV eess.IV
Progress Regression RNN for Online Spatial-Temporal Action Localization in Unconstrained Videos
Nanyang Technological University（南洋理工大学）；University of Buffalo（布法罗大学）
以往的时空动作定位方法通常遵循目标检测的流水线来估计动作的边界框和标签。然而，一个动作的时间关系还没有得到充分的探讨。在本文中，我们提出了一个端到端的进度回归递归神经网络（PR-RNN），用于在线时空动作定位，它通过时间进度回归来学习推断动作。两个新的动作属性，称为进度和进度率，被引入到描述的时间参与和相对时间位置的动作。在我们的方法中，帧级特征首先由全卷积网络（FCN）提取。随后，检测结果和动作进度属性由卷积门控递归单元（ConvGRU）基于所有观察到的帧而不是单个帧或短剪辑来回归。最后，设计了一种新颖的在线连接方法，借助估计的动作进度属性将单帧结果连接到时空管。大量的实验表明，进度属性通过提供更精确的时间位置的动作在无约束的视频提高定位精度。我们提出的PR-RNN在两个基准数据集上实现了大多数IoU阈值的最先进性能。
2019-03-01 cs.CV
Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images
Rochester Institute of Technology（罗切斯特理工学院）；University of South Florida（南佛罗里达大学）
在这项工作中，我们开发了卷积神经生成编码（Conv-NGC），这是预测编码对基于卷积/解卷积计算的情况的推广。具体来说，我们具体实现了一个灵活的神经生物学动机的算法，逐步细化潜在状态特征图，以动态地形成一个更准确的内部表示/重建模型的自然图像。所得到的感官处理系统的性能进行了评估复杂的数据集，如颜色MNIST，CIFAR-10，和街道房屋视图数（SVHN）。我们研究了我们的大脑启发模型在重建和图像去噪任务上的有效性，发现它与通过误差反向传播训练的卷积自动编码系统具有竞争力，并且在分布外重建（包括完整的90 k CINIC-10测试集）方面优于它们。
2023-02-06 cs.CV cs.LG
Nonlocality-Reinforced Convolutional Neural Networks for Image Denoising
Tampere University of Technology（坦佩雷理工大学）；Noiseless Imaging Ltd（Noiseless Imaging有限公司）
我们介绍了一种非局部稀疏增强深度卷积神经网络去噪的范例。它是由基于卷积神经网络（CNN）的去噪器进行的局部多尺度去噪和基于非局部滤波器（NLF）的非局部去噪的组合，该非局部去噪利用补丁组之间的相互相似性。CNN模型的噪声水平在我们框架的每次迭代中逐渐降低，而它们的输出则通过NLF内隐含的非局部先验进行正则化。与将非局部先验嵌入网络层的复杂神经网络不同，我们的框架是模块化的，它使用标准的预训练CNN和标准的非局部滤波器。所提出的框架，称为NN3D的一个实例，在大型灰度图像数据集显示最先进的性能进行评估。
2018-06-21 cs.CV eess.IV
TUCaN: Progressively Teaching Colourisation to Capsules
University of Udine（乌迪内大学）
图像自动着色是计算机视觉的研究方向，研究如何对灰度图像进行着色（复原）。深度学习技术改进了图像着色，产生了惊人的结果。这些不同的各种因素，如结构差异，输入类型，用户辅助等，其中大多数，基于卷积层的架构结构，而不强调专门用于对象特征提取的层。我们引入了一种名为TUCaN（Tiny UCapsNet）的新型下采样上采样架构，该架构利用卷积层和胶囊层的协作来获得每幅图像中存在的实体的整洁着色。这是通过跳过和剩余连接来加强这些层之间的协作来实现的。我们提出的问题，作为一个每像素的颜色分类任务，确定颜色作为一个bin中的量化空间。为了训练网络，与标准的端到端学习方法相比，我们提出了渐进式学习方案，通过只操纵学习过程而不改变模型来提取对象的上下文。在该方案中，上采样从低分辨率图像的重建开始，并在整个训练阶段逐渐增长到高分辨率图像。在三个基准数据集上的实验结果表明，我们的方法与ImageNet 10 k数据集在标准质量指标上优于现有方法，并在图像着色上达到了最先进的性能。我们进行了一项用户研究，以量化着色结果的感知真实性，证明：渐进式学习让TUCaN实现比端到端方案更好的颜色;并指出现有评估指标的局限性。
2021-06-29 cs.CV cs.LG
Towards Effective Low-bitwidth Convolutional Neural Networks
The University of Adelaide（阿德莱德大学）；South China University of Technology（华南理工大学）
本文解决了训练具有低精度权重和低位宽激活的深度卷积神经网络的问题。优化一个低精度的网络是非常具有挑战性的，因为训练过程很容易陷入一个糟糕的局部最小值，这会导致大量的精度损失。为了缓解这个问题，我们提出了三种简单而有效的方法来改善网络训练。首先，我们建议使用两阶段的优化策略，逐步找到好的局部极小值。具体来说，我们建议首先用量化的权重优化网络，然后量化激活。这与同时优化它们的传统方法相反。其次，遵循第一种方法的类似精神，我们提出了另一种渐进式优化方法，该方法在训练过程中从高精度到低精度逐步减小位宽。第三，我们采用了一种新的学习方案，联合训练一个全精度模型和低精度模型。通过这样做，全精度模型为指导低精度模型训练提供了提示。在各种数据集上进行的广泛实验（即，CIFAR-100和ImageNet）验证了所提方法的有效性。为了强调，使用我们的方法来训练4位精度网络与标准网络架构的全精度对应物相比不会导致性能降低（即，AlexNet和ResNet-50）。
2017-11-17 cs.CV
Travel Time, Distance and Costs Optimization for Paratransit Operations using Graph Convolutional Neural Network
提供辅助交通服务是满足弱势道路使用者交通需求的其中一个方案。像任何其他交通工具一样，辅助运输也存在运营成本高和旅行时间长等障碍。因此，客户不满意，辅助运营商的支持率很低。多年来，研究人员进行了各种研究，以更好地了解辅助乘客的旅行行为以及他们是如何运作的。根据这些研究的结果，辅助运营商面临的挑战，确定最佳路线，为他们的行程，以节省旅行时间。根据挑战的性质，大多数研究使用不同的优化技术来解决这些路由问题。因此，本研究的目标是使用图卷积神经网络（GCN），以协助辅助客运运营商在研究各种业务方案中的战略设置，以优化路由，最大限度地减少运营成本，最大限度地减少用户的旅行时间。该研究是通过使用随机模拟数据集进行的，以帮助确定在不同情况下根据车队组成和容量做出的决策。对于所调查的各种情况，全球网络协助确定最小最佳间隙。
2022-05-21 cs.CV cs.LG
Convolutional neural networks model improvements using demographics and image processing filters on chest x-rays
目的：本研究的目的是通过基于14种病理的年龄、性别和图像预处理过滤器创建不同的二进制分类模型，观察卷积神经网络（CNN）模型在胸部放射学图像上的准确性变化（正确分类与总预测的比率）。方法：这是一项定量研究，探索CNN模型准确性的变化。放射学胸部图像按年龄和性别划分，并通过各种图像处理滤波器进行预处理。调查结果：我们发现部分支持增强模型的准确性，隔离建模图像的年龄和性别，并应用图像处理过滤器，即使图像处理过滤器有时被认为是信息过滤器。研究局限性：这项研究可能有偏见，因为它是基于另一项研究的放射性图像，该研究使用未经人工检查的自动化过程标记图像。实际影响：研究人员可能希望专注于创建按人口统计数据隔离的模型，并使用图像处理过滤器对建模图像进行预处理。开发用于胸部诊断的辅助技术的从业者可以从结合人口统计学和同时采用具有不同统计可能性的多个模型中受益。独创性/价值：本研究使用人口统计学模型创建，并利用图像处理过滤器，以提高模型性能。保留字：卷积神经网络（CNN）、胸部X线、胸部X线14、肺、肺不张、心脏肥大、实变、水肿、积液、肺气肿、浸润、肿块、坏死、胸膜增厚、肺炎、气胸
2019-11-30 cs.CV eess.IV
Building Footprint Extraction with Graph Convolutional Network
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对卫星图像建筑足迹提取中边界不精确的问题，提出基于图卷积网络的端到端框架，有效提升分割精度，性能优于现有最先进方法。
2023-05-08 cs.CV eess.IV
Same-different problems strain convolutional neural networks
Brown University（布朗大学）
图像中视觉关系的鲁棒和高效识别是生物视觉的标志。我们认为，尽管最近在视觉识别方面取得了进展，但现代机器视觉算法在学习视觉关系的能力方面受到严重限制。通过对照实验，我们证明了视觉关系问题会使卷积神经网络（CNN）紧张。当死记硬背变得不可能时，网络最终会完全崩溃，就像课堂内的变化超过了网络容量一样。受生物视觉的类似成功的启发，我们认为，包括注意力和感知分组在内的反馈机制可能是抽象视觉推理的关键计算组件。
2018-05-25 cs.AI cs.CV cs.LG
CRNet: Image Super-Resolution Using A Convolutional Sparse Coding Inspired Network
Wuhan University（武汉大学）
卷积稀疏编码（Convolutional Sparse Coding，CSC）由于能够充分利用图像的全局相关性来提高图像在各种计算机视觉应用中的性能，近年来受到了越来越多的关注。然而，很少有研究集中在解决基于CSC的图像超分辨率（SR）问题。因此，在一段时间内，这一领域没有取得重大进展。在本文中，我们利用CSC和卷积神经网络（CNN）之间的天然联系来解决基于CSC的图像SR。具体来说，卷积迭代软阈值保持算法（CISTA）被引入来解决CSC问题，它可以使用CNN架构来实现。然后，我们开发了一种新的CSC的SR框架类似于传统的SC的SR方法。受此框架的启发，提出了两个模型的前/后上采样SR，分别。与最近的国家的最先进的SR方法相比，我们提出的模型表现出优越的性能，在定量和定性测量。
2019-08-03 cs.CV eess.IV
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture
New York University（纽约大学）；Courant Institute（库朗研究所）；Facebook AI Research（Facebook人工智能研究院）
在本文中，我们解决三个不同的计算机视觉任务使用一个基本架构：深度预测，表面法线估计，语义标记。我们使用一个多尺度卷积网络，它能够很容易地适应每个任务，只需要很小的修改，从输入图像直接回归到输出映射。我们的方法使用一系列尺度逐步细化预测，并在没有任何超像素或低级别分割的情况下捕获许多图像细节。我们在所有三项任务的基准测试中均实现了最先进的性能。
2015-12-17 cs.CV
Evolution of Convolutional Neural Network (CNN): Compute vs Memory bandwidth for Edge AI
MagicLeap Inc.（MagicLeap公司）
本文探讨了边缘AI背景下CNN计算需求与内存带宽的关系，分析架构演进中的权衡，为高效架构与硬件加速器设计提供见解。
2023-09-24 cs.CV cs.LG
Investigating the Gestalt Principle of Closure in Deep Convolutional Neural Networks
KU Leuven（鲁汶大学）；Leuven.AI KU Leuven Institute for AI（鲁汶人工智能研究所（鲁汶大学））
本研究探究深度卷积神经网络是否具备人类的格式塔闭合感知原则，通过边缘逐步缺失的多边形分类实验发现模型性能随边缘缺失比例升高而下降，说明其分类高度依赖完整边缘信息。
2024-11-01 cs.CV cs.LG
Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network
Syracuse University（雪城大学）；Cranfield University（克兰菲尔德大学）；University of California, Berkeley（加州大学伯克利分校）；Amazon Web Services（亚马逊云科技）
本文提出一种基于增强型深度卷积神经网络的图像超分辨率重建方法，通过残差学习和亚像素卷积有效恢复高频细节，在多个公开数据集上优于传统插值及其他学习方法。
2024-08-01 cs.CV eess.IV
Automating Vitiligo Skin Lesion Segmentation Using Convolutional Neural Networks
Stanford University（斯坦福大学）
对于白癜风等几种皮肤病，从皮肤图像中准确分割病变是疾病进展和严重程度的主要衡量标准。现有的白癜风病变分割方法需要人工干预。不幸的是，手动分割是时间和劳动密集型的，并且在医生之间不可再现。我们引入了一个卷积神经网络（CNN），快速，稳健地执行白癜风皮肤病变分割。我们的CNN有一个U-Net架构，带有一个修改的收缩路径。我们使用CNN来生成病变的初始分割，然后通过在高置信度像素上运行分水岭算法来细化它。我们在247张具有各种病变大小、复杂性和解剖部位的图像上训练网络。经过我们修改的网络明显优于最先进的U-Net，Jaccard指数（JI）得分为73.6%（相比之下为36.7%）。此外，我们的方法只需要几秒钟的分割，与以前提出的半自治分水岭方法，这需要2-29分钟，每幅图像。
2019-12-16 cs.CV cs.LG eess.IV
Perturbative Neural Networks
Carnegie Mellon University（卡内基梅隆大学）；Michigan State University（密歇根州立大学）
卷积神经网络在计算机视觉系统中被广泛采用，在一系列视觉识别任务中有许多应用。这一进展的大部分是通过卷积神经网络架构和学习算法的进步推动的，即使卷积层的基本前提保持不变。在本文中，我们试图重新审视卷积层，它一直是最先进的视觉识别模型的主力。我们引入了一个非常简单但有效的模块，称为扰动层，作为卷积层的替代方案。扰动层取消了传统意义上的卷积，而是将其响应计算为非线性激活的加性噪声扰动输入的加权线性组合。我们通过分析和经验证明，这种扰动层可以有效地替代标准卷积层。从经验上讲，具有扰动层的深度神经网络（称为扰动神经网络（PNN））代替卷积层，在一系列具有较少参数的视觉数据集（MNIST，CIFAR-10，PASCAL VOC和ImageNet）上使用标准CNN执行卷积。
2018-06-05 cs.CV cs.LG
Drone Detection Using Convolutional Neural Networks
Qom University of Technology (QUT)（库姆理工大学）
在图像处理中，对空中目标，特别是无人机的检测和跟踪是必不可少的。在本文中，我们检测飞行的无人机使用鱼眼相机。在对象的诊断和分类领域中，总是存在许多问题，这些问题阻碍了该领域的快速和重大进展的发展。在过去的几十年中，已经开发了一些先进的分类方法，如卷积神经网络和支持向量机。在这项研究中，使用卷积神经网络（CNN），支持向量机（SVM），和最近邻的三种分类方法检测无人机。结果表明，CNN，SVM和最近邻的总准确率分别为95%，88%和80%。与相同实验条件下的其他分类器相比，卷积神经网络分类器的准确率是令人满意的。
2021-07-03 cs.CV
Fully Automated Hand Hygiene Monitoring\\in Operating Room using 3D Convolutional Neural Network
University of Ulsan College of Medicine（蔚山大学医学院）；Asan Medical Center（峨山医疗中心）
手卫生是预防医院获得性感染（HAI）的最重要因素之一，HAI通常由手术室（OR）中与患者接触的医务人员传播。手卫生监测对于调查和减少手术室内感染的爆发可能很重要。然而，由于OR场景的视觉复杂性，难以开发用于手部卫生依从性的有效监测工具。近年来，卷积神经网络（CNN）在视频理解中的应用越来越广泛。利用这一进展，我们提出了一个完全自动化的手部卫生监测工具的基于酒精的手摩擦动作的麻醉师在手术室视频使用时空特征与三维CNN。首先，麻醉医生的上半身感兴趣区域（ROI）的检测和裁剪。时间平滑滤波器应用于ROI。然后，将ROI提供给3D CNN，并将其分为两类：搓手或其他动作。我们观察到来自Kinetics-400的迁移学习是有益的，而光流流在我们的数据集中没有帮助。测试结果表明，该算法的准确率、精确率、召回率和F1得分分别为0.76、0.85、0.65和0.74。
2020-03-20 cs.CV
Classification of Alzheimer's Disease Using the Convolutional Neural Network (CNN) with Transfer Learning and Weighted Loss
Brawijaya University（布劳爪哇大学）
阿尔茨海默病是一种进行性神经退行性疾病，逐渐剥夺患者的认知功能，并可能导致死亡。随着当今技术的进步，可以通过磁共振成像（MRI）扫描检测阿尔茨海默病。因此，MRI是最常用于诊断和分析阿尔茨海默病进展的技术。有了这项技术，可以使用机器学习自动实现阿尔茨海默病早期诊断中的图像识别。虽然机器学习有很多优点，但目前深度学习的使用更广泛，因为它具有更强的学习能力，更适合解决图像识别问题。然而，实现深度学习仍然必须面对几个挑战，例如需要大型数据集，需要大量计算资源，以及需要仔细的参数设置以防止过拟合或欠拟合。为了应对使用深度学习对阿尔茨海默病进行分类的挑战，本研究提出了具有残差网络18层（ResNet-18）架构的卷积神经网络（CNN）方法。为了克服对大型和平衡数据集的需求，使用ImageNet的转移学习并对损失函数值进行加权，以便每个类具有相同的权重。本研究亦进行了一个实验，将网路活化函数改为mish活化函数，以增加正确率。从已经进行的测试的结果来看，使用迁移学习、加权损失和mish激活函数，模型的准确率为88.3%。该准确度值从基线模型增加，基线模型仅获得69.1%的准确度。
2022-07-04 cs.CV eess.IV
Convolutional Neural Pyramid for Image Processing
The Chinese University of Hong Kong（香港中文大学）
我们提出了一个原则性的卷积神经金字塔（CNP）框架，用于一般的低级视觉和图像处理任务。它是基于基本的发现，许多应用程序需要大的结构理解的感受野。但是用于回归的相应神经网络要么堆叠许多层，要么应用大的内核来实现它，这在计算上是非常昂贵的。我们的金字塔结构可以大大扩大领域，而不牺牲计算效率。额外的好处包括自适应网络深度和渐进式上采样，可在VGA大小的输入上进行准实时测试。我们的方法利润广泛的应用，如深度/RGB图像复原，完成，噪声/伪影去除，边缘细化，图像滤波，图像增强和彩色化。
2017-04-07 cs.CV
Facies classification from well logs using an inception convolutional network
Fraunhofer ITWM（弗劳恩霍夫工业数学研究所）；École Normale Supérieure（巴黎高等师范学院）
使用自动化算法从测井记录确定地质相的想法并不新鲜（参见Busch等人（1987）; Rabaute（1998）），但最近机器学习领域的研究急剧增加，使其成为重新审视该主题的好时机。在Dubois等人（2007）和Hall（2016）提出的练习之后，我们采用了一种现代类型的深度卷积网络，称为\textit{inception network}（Szegedy等人，2015），以解决监督分类任务，我们讨论了这种问题的方法限制以及进一步的研究机会。
2017-06-02 cs.CV
Convolutional Neural Network with Convolutional Block Attention Module for Finger Vein Recognition
Southwest Jiaotong University（西南交通大学）
卷积神经网络以其强大的图像特征表示能力成为手指静脉识别领域的研究热点。然而，大多数研究人员专注于通过增加CNN的深度和宽度来提高网络的性能，这通常需要很高的计算工作量。而且，我们可以注意到，不仅不同通道中像素的重要性不同，而且同一通道中不同位置的像素的重要性也不同。为了减少计算量并考虑到像素的不同重要性，提出了一种轻量级的带有卷积块注意模块（CBAM）的卷积神经网络用于手指静脉识别，通过注意力机制可以实现对视觉结构更准确的捕捉。首先，将图像序列输入到我们设计的轻量级卷积神经网络中，以改善视觉特征。然后，它在卷积块注意模块的帮助下学习以自适应的方式分配特征权重。在两个公开数据库上进行的实验表明，该方法在多模态手指识别中具有稳定、高精度和鲁棒性的特点。
2022-02-14 cs.CV
A Tutorial on Explainable Image Classification for Dementia Stages Using Convolutional Neural Network and Gradient-weighted Class Activation Mapping
The Hong Kong Polytechnic University（香港理工大学）
本文通过CNN和Grad-CAM对痴呆阶段进行可解释图像分类，展示高准确率的同时探讨可视化解释对医学应用的意义。
2024-08-20 cs.AI cs.CV eess.IV
Performance Analysis of Optimizers for Plant Disease Classification with Convolutional Neural Networks
Fr. Conceicao Rodrigues Institute of Technology, Vashi（康塞桑·罗德里格斯神父理工学院，瓦希）
病虫害造成的作物歉收是印度农业固有的问题，每年损失15%至25%的生产力，造成巨大的经济损失。本研究以深度学习方法分析植物病害预测分析的各种最佳化器的效能。本研究利用卷积神经网络对3种作物的农田或植物叶片样本进行了15类分类。本研究中使用的各种优化器包括RMSprop，Adam和AMSgrad。优化器性能通过绘制训练和验证精度和损失曲线、ROC曲线和混淆矩阵来可视化。使用Adam优化器实现了最佳性能，最大验证准确率为98%。本文着重于研究分析，证明植物病害可以使用深度学习方法在卫星、无人机或移动图像的帮助下进行预测和预防，从而减少作物歉收和农业损失。
2020-12-22 cs.CV
Convolutional Image Captioning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
图像描述是一项重要但具有挑战性的任务，适用于虚拟助理、编辑工具、图像索引和残疾人支持。它的挑战是由于可能的图像描述的可变性和模糊性。近年来，在图像描述方面取得了重大进展，使用由长短期记忆（LSTM）单元驱动的递归神经网络。尽管减轻了消失梯度的问题，尽管它们具有令人信服的记忆依赖关系的能力，但LSTM单元是复杂的，并且在时间上具有内在的顺序性。为了解决这个问题，最近的工作已经显示出卷积网络用于机器翻译和条件图像生成的好处。受他们成功的启发，在本文中，我们开发了一种卷积图像描述技术。我们在具有挑战性的MSCOCO数据集上证明了它的有效性，并证明了与基线相当的性能，同时每个参数的训练时间更快。我们还进行了详细的分析，提供了令人信服的理由，有利于卷积语言生成的方法。
2017-11-24 cs.CV
A Fully Convolutional Tri-branch Network (FCTN) for Domain Adaptation
University of Southern California（南加州大学）
提出了一种基于领域自适应的城市场景分割方法。我们开发了一个完全卷积的三分支网络，其中两个分支为未标记目标域中的图像分配伪标签，而第三个分支则基于伪标记目标域中的图像进行监督训练。重新贴标签和重新培训过程交替进行。通过这种设计，三分支网络逐步学习特定于目标的区别性表示，因此，分段器的跨域能力得到提高。我们评估所提出的网络上的大规模领域自适应实验使用合成（GTA）和真实（城市景观）图像。结果表明，我们的解决方案实现了最先进的性能，它优于以前的方法的显着保证金。
2018-02-27 cs.CV
An Ensemble with Shared Representations Based on Convolutional Networks for Continually Learning Facial Expressions
University of Hamburg（汉堡大学）；Knowledge Technology（知识技术学院）
能够不断学习面部表情的社交机器人可以逐步提高他们对与他们互动的人的情感识别能力。通过集成预测的半监督学习是一种有效的策略，可以在人机交互期间利用未标记的面部表情的高曝光率。然而，传统的基于集成的系统由多个独立的分类器组成，导致高度冗余和不必要的计算资源分配。在本文中，我们提出了一种基于卷积网络的集成，其中早期层是强大的低级特征提取器，它们的表示与卷积分支的集成共享。这导致低级特征处理的冗余度显著下降。在半监督设置中进行训练，我们表明，我们的方法能够通过使用来自不同数据分布的未标记样本进行集成预测来不断学习面部表情。
2021-03-05 cs.CV
Compressing complex convolutional neural network based on an improved deep compression algorithm
Southeast University（东南大学）；INSERM（法国国家健康与医学研究院）；Université de Rennes 1（雷恩第一大学）
卷积神经网络（CNN）虽然取得了很大的进步，但大的冗余参数限制了其在嵌入式设备，尤其是移动设备上的部署。最近的压缩工作主要集中在实值卷积神经网络（Real CNN）上，然而，据我们所知，还没有尝试对复值卷积神经网络（Complex CNN）进行压缩。与实值网络相比，复值神经网络更易于优化、推广，具有更好的学习潜力。将常用的深度压缩算法从实域扩展到复域，提出了一种改进的复域CNN深度压缩算法。该算法在CIFAR-10数据集上将网络压缩约8倍，准确率损失小于3%。在ImageNet数据集上，我们的方法将模型压缩了约16倍，在没有重新训练的情况下，准确率损失约为2%。
2019-03-06 cs.CV
Quaternion Convolutional Neural Networks: Current Advances and Future Directions
本文探讨了四元数卷积神经网络的发展现状与未来方向，分析了其在表示能力和参数效率上的优势。
2023-07-17 cs.AI cs.CV
Learning Granularity-Aware Convolutional Neural Network for Fine-Grained Visual Classification
Nanjing University（南京大学）
由于不同目标之间的相似性很高，定位区分部分在细粒度视觉分类中起着关键作用。最近的工作基于卷积神经网络利用从最后一个卷积层的特征映射来挖掘有区别的区域。然而，最后一个卷积层由于大的感受野而倾向于关注整个对象，这导致发现差异的能力降低。为了解决这个问题，我们提出了一种新的粒度感知卷积神经网络（GA-CNN），逐步探索判别特征。具体来说，GA-CNN利用不同层感受野的差异来学习多粒度特征，并基于在前一阶段发现的较小粒度信息利用较大粒度信息。为了进一步提高性能，我们引入了一个对象关注模块，可以有效地定位给定的原始图像的对象。GA-CNN不需要边界框/部分注释，可以端到端训练。大量的实验结果表明，我们的方法在三个基准数据集上实现了最先进的性能。
2021-03-04 cs.CV
Dynamic Plane Convolutional Occupancy Networks
ETH Zurich（苏黎世联邦理工学院）；Max Planck ETH Center for Learning Systems（马克斯·普朗克-苏黎世联邦理工学习系统中心）
使用隐式神经表示的基于学习的3D重建不仅在对象级别而且在更复杂的场景中显示出有希望的进展。在本文中，我们提出了动态平面卷积占据网络，一种新的隐式表示进一步推动三维表面重建的质量。将输入的噪声点云编码为投影到多个2D动态平面上的逐点特征。完全连接的网络学习预测最能描述物体或场景形状的平面参数。为了进一步利用平移等方差，应用卷积神经网络来处理平面特征。我们的方法在ShapeNet和室内场景数据集的无方向点云表面重建中表现出卓越的性能。此外，我们还提供了有趣的观察学习动态平面的分布。
2020-11-11 cs.CV
