A Review on Coarse to Fine-Grained Animal Action Recognition
Commonwealth Scientific and Industrial Research Organisation (CSIRO)(共同科学与工业研究组织(CSIRO))
本文综述了动物动作识别从粗粒度到细粒度的研究进展,分析了动物行为识别的独特挑战,评估了SlowFast等时空深度学习方法及现有数据集的局限,并提出了未来研究方向。
2025-06-01 cs.AI cs.CV
Literature Review of Action Recognition in the Wild
University of Alberta(阿尔伯塔大学)
下面介绍的关于野外动作识别的文献综述是对研究论文的深入研究。未修剪视频中的动作识别问题是一项具有挑战性的任务,大多数论文都使用具有浅层学习技术和复杂的端到端深度学习技术的手工特征来解决这个问题。
2019-11-27 cs.CV
Performance analysis of facial recognition: A critical review through glass factor
University of Illinois, Urbana Champaign(伊利诺伊大学香槟分校)
COVID-19大流行和社交距离促使人们在不同的异常情况下使用可靠的人脸识别系统。然而,目前还没有研究玻璃因素对人脸识别系统的影响。本文对玻璃因子进行了全面的综述。研究分为两个步骤:数据汇集和准确性检验。数据汇集包括通过不同情况采集人脸图像,如透明玻璃、有水的玻璃和有雾的玻璃。基于收集到的数据,对基于MTCNN和Inception V1深度网络构建的现有最先进的人脸检测和识别系统进行测试,以进行进一步分析。实验数据表明:1)在比较实时图像时,该系统具有较强的分类鲁棒性; 2)在通过比较受干扰的实时图像与正面图像来确定两幅图像是否为同一人时,该系统失败。
2021-04-04 cs.CV cs.LG
Silhouette based View embeddings for Gait Recognition under Multiple Views
Beihang University(北京航空航天大学)
多视角下的步态识别是计算机视觉和模式识别的重要课题。在新兴的基于卷积神经网络的方法中,视角信息在一定程度上被忽略。我们提出了一个兼容的框架,可以将视图信息嵌入到现有的步态识别架构中,而不是直接的视图估计和训练特定于视图的识别模型。通过选择性投影层简单地实现嵌入。在两个大型公共数据集上的实验结果表明,该框架是非常有效的。
2021-08-12 cs.CV
Multi-View Fusion Transformer for Sensor-Based Human Activity Recognition
Alibaba Group(阿里巴巴集团)
基于传感器的人类活动识别(HAR)作为泛在计算和机器学习的基础问题,近年来引起了广泛关注并取得了长足进展。HAR的目标是根据从多模态传感器(如加速度计和陀螺仪)收集的丰富时间序列数据的可用性来识别人类活动。然而,最近的深度学习方法专注于数据的一个视图,即,时间视图,而浅层方法倾向于利用手工特征进行识别,例如,统计观点。在本文中,提取一个更好的功能,以提高性能,我们提出了一种新的方法,即多视图融合Transformer(MVFT)以及一种新的注意力机制。首先,MVFT编码三个信息视图,即,时间、频繁和统计视图以生成多视图特征。其次,新的注意机制揭示内部和跨视图的线索,催化三个视图之间的相互作用,详细的关系建模。此外,在两个数据集上的大量实验表明,我们的方法优于几个国家的最先进的方法。
2022-02-16 cs.AI cs.CV cs.LG
Handwritten Optical Character Recognition (OCR): A Comprehensive Systematic Literature Review (SLR)
Barrett Hodgson University(巴雷特霍奇森大学);Quest International University(奎斯特国际大学);NED University of Engineering and technology(NED工程技术大学);Université Claude Bernard Lyon1(里昂第一大学)
鉴于手写文档在人类交易中的普遍性,文档的光学字符识别(OCR)具有非常宝贵的实用价值。光学字符识别是一门能够将各种类型的文档或图像转换为可分析、可编辑和可搜索的数据的科学。在过去的十年中,研究人员已经使用人工智能/机器学习工具来自动分析手写和打印文档,以便将其转换为电子格式。这篇综述的目的是总结已经进行的手写文档的字符识别的研究,并提供研究方向。在本系统性文献综述(SLR)中,我们收集、综合和分析了2000年至2018年期间发表的关于手写OCR主题(以及密切相关主题)的研究文章。我们遵循广泛使用的电子数据库,遵循预定义的审查协议。使用关键词、前向参考文献检索和后向参考文献检索进行文献检索,以检索与主题相关的所有文献。在仔细遵循研究选择过程后,为本SLR选择了142篇文章。这篇综述文章的目的是介绍OCR的最新成果和技术,并通过突出研究差距提供研究方向。
2020-01-01 cs.CV cs.LG
A Multi-viewpoint Outdoor Dataset for Human Action Recognition
深度神经网络的进步为许多计算机视觉问题(如物体识别、人脸识别和姿态估计)带来了近乎完美的结果。然而,人类动作识别距离人类水平的性能还很远。由于人体的铰接性质,从多个视点,特别是从空中视点检测动作是具有挑战性的。由于缺乏涵盖多种行动观点的数据集,这一问题更加严重。为了填补这一空白,并使研究能够在更广泛的应用领域,我们提出了一个多视点户外动作识别数据集收集从YouTube和我们自己的无人机。该数据集由20个动态人体动作类,2324个视频片段和503086帧组成。所有视频都被裁剪和调整为720x720,而不会扭曲视频中人类主体的原始长宽比。这个数据集应该是有用的许多研究领域,包括行动识别,监视和态势感知。我们评估了数据集与双流CNN架构,再加上最近提出的时间池方案称为核化秩池,产生非线性特征子空间表示。整体基线动作识别准确率为74.0%。
2021-10-07 cs.CV cs.LG
Inclusive Review on Advances in Masked Human Face Recognition Technologies
Basra University(巴士拉大学)
本文综述了遮挡人脸识别领域的最新进展,重点介绍了相关深度学习技术、面临的挑战、应对方法、应用场景及未来研究方向。
2025-07-04 cs.AI cs.CV
Generalized Multi-view Embedding for Visual Recognition and Cross-modal Retrieval
在本文中,从不同的视觉线索和模态的多视图嵌入的问题被认为是。我们提出了一个统一的解决方案,子空间学习方法使用瑞利商,这是可扩展的多视图,监督学习,和非线性嵌入。许多方法,包括典型相关分析,偏最小二乘回归和线性判别分析研究使用特定的内在和惩罚图在同一框架内。基于核和(深)神经网络的非线性扩展的推导,实现了更好的性能比线性的。在此基础上,提出了一种新的多视角模块化判别分析方法(MvMDA)。我们证明了所提出的多视图嵌入方法在视觉对象识别和跨模态图像检索上的有效性,并且与相关方法相比,在这两个应用中获得了优异的结果。
2017-08-31 cs.CV cs.LG
MVTN: Multi-View Transformation Network for 3D Shape Recognition
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
多视图投影方法已经证明了它们在3D形状识别上达到最先进性能的能力。这些方法学习从多个视图中聚合信息的不同方法。然而,对于所有形状,这些视图的摄像机视点往往是逐行设置和固定的。为了避免目前的多视图方法缺乏动态性,我们建议学习这些观点。特别是,我们介绍了多视图转换网络(MVTN),回归最佳视点的3D形状识别,建立在可微渲染的进步。因此,MVTN可以与任何多视图网络一起进行端到端训练,以进行3D形状分类。我们将MVTN集成到一个新的自适应多视图管道中,该管道可以渲染3D网格或点云。MVTN在3D形状分类和3D形状检索任务中表现出明显的性能增益,而无需额外的训练监督。在这些任务中,MVTN在ModelNet40、ShapeNet Core55和最新的真实ScanObjectNN数据集上实现了最先进的性能(最多提高6%)。有趣的是,我们还证明了MVTN可以在3D域中提供对旋转和遮挡的网络鲁棒性。该代码可在https://github.com/ajhamdi/MVTN上获得。
2021-08-17 cs.CV cs.LG
Group Activity Recognition in Computer Vision: A Comprehensive Review, Challenges, and Future Perspectives
School of Computer Science, Universiti Sains Malaysia(马来西亚理科大学计算机科学学院);School of Engineering, College of Technology and Business, Guangzhou(广州工商学院工程学院)
本文综述了计算机视觉中群体活动识别的方法,从传统到基于HRNN、关系模型等最新技术,比较性能并总结挑战与未来方向。
2023-07-25 cs.AI cs.CV
Kannada Character Recognition System A Review
M. S. Ramaiah Institute of Technology(M. S. 拉迈亚理工学院)
在过去的几十年里,人们对光学字符识别ocr进行了深入的研究,并发表了大量的论文。现在市场上有许多商业OCR系统,但这些系统大多适用于罗马,中文,日语和阿拉伯语字符。在印度的12种主要文字中,没有足够数量的关于印度语言字符识别的作品,特别是卡纳达语。本文介绍了现有的工作,印刷卡纳达文和他们的结果。详细讨论了卡纳达文的特点和卡纳达文字符识别系统kcr。最后提出在分类器级进行融合以提高识别精度。
2010-01-29 cs.CV
Deep Learning for Iris Recognition: A Review
Hunan First Normal University(湖南第一师范学院);Southeast University(东南大学);National University of Defense Technology(国防科技大学)
虹膜识别是一种安全的生物识别技术,以其稳定性和隐私性而闻名。由于没有两个虹膜是相同的,并且在人的一生中几乎没有变化,虹膜识别被认为比其他生物识别方法更可靠,更不容易受到外部因素的影响。与传统的基于机器学习的虹膜识别方法不同,深度学习技术不依赖于特征工程,拥有出色的性能。本文收集了120篇相关论文,对基于深度学习的虹膜识别的发展进行了总结。本文首先介绍了虹膜识别的研究背景以及本文的研究动机和贡献。然后,我们介绍了虹膜识别中广泛使用的常见数据集。在此基础上,总结了基于深度学习技术的虹膜识别过程中涉及的关键任务,包括识别、分割、呈现攻击检测和定位。最后,我们讨论了虹膜识别的挑战和潜在的发展。本文综述了基于深度学习的虹膜识别的研究进展。
2023-03-15 cs.CV
Cross-view Action Modeling, Learning and Recognition
Northwestern University(西北大学);University of California at Los Angles(加州大学洛杉矶分校)
现有的基于视频的动作识别方法通常是依赖于视图的,即,从训练数据中看到的相同视图执行识别。提出了一种新的多视点时空与或图(MST-AOG)表示方法,用于跨视点动作识别,对来自未知和不可见视图的视频执行识别。作为一种组合模型,MST-AOG组合模型通过明确地建模几何、外观和运动变化来表示跨视图动作的层次组合结构。本文提出了有效的方法来学习MST-AOG的结构和参数。基于MST-AOG的推理使动作识别从新的角度。MST-AOG的训练利用了从Kinect摄像机获得的3D人体骨架数据,以避免注释大量的多视图视频帧,这是容易出错和耗时的,但识别不需要3D信息,并且基于2D视频输入。一个新的多视图3D数据集已经创建并将发布。大量的实验表明,这种新的动作表示显着提高了2D视频上的跨视图动作识别的准确性和鲁棒性。
2014-05-12 cs.CV
Exploiting Ensemble Learning for Cross-View Isolated Sign Language Recognition
Hefei University of Technology(合肥工业大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);CCAI, Zhejiang University(浙江大学计算机辅助创新中心);Anhui University(安徽大学);Anhui Agricultural University(安徽农业大学)
本文针对WWW 2025跨视角孤立手语识别挑战,提出基于多维Video Swin Transformer的集成学习方法,在RGB和RGB-D赛道均获第3名。
2025-02-04 cs.AI cs.CV
Towards Unconstrained Palmprint Recognition on Consumer Devices: a Literature Review
National University of Ireland, Galway(爱尔兰国立大学戈尔韦分校);National University of Ireland(爱尔兰国立大学)
作为一种生物识别技术,掌纹在很大程度上没有得到充分利用,但它们比指纹和面部生物识别技术具有一些优势。最近在手持和可穿戴消费设备上的成像能力的改进重新唤起了人们对掌纹使用的兴趣。本文的目的是提供一个全面的国家的最先进的掌纹识别方法,包括感兴趣的区域提取方法,特征提取方法和匹配算法,以及可用的掌纹数据集的概述,以了解最新的趋势和研究动态在掌纹识别领域。
2020-03-02 cs.CV
MVT: Multi-view Vision Transformer for 3D Object Recognition
Baidu Research(百度研究院);University of Amsterdam(阿姆斯特丹大学)
受CNN在图像识别中取得的巨大成功的启发,基于视图的方法应用CNN对投影视图进行建模,以实现3D对象理解,并取得了优异的性能。然而,多视图CNN模型不能对来自不同视图的块之间的通信进行建模,从而限制了其在3D对象识别中的有效性。受视觉Transformer在图像识别中取得的成功的启发,我们提出了一种用于三维物体识别的多视角视觉Transformer(MVT)。由于Transformer块中的每个补丁特征具有全局接收场,因此它自然地实现了来自不同视图的补丁之间的通信。同时,与CNN相比,它需要更少的归纳偏差。考虑到有效性和效率,我们为我们的MVT开发了一个全球-本地的结构。我们在两个公共基准测试,ModelNet 40和ModelNet 10上的实验证明了我们的MVT的竞争力。
2021-10-25 cs.CV
A Large-scale Varying-view RGB-D Action Dataset for Arbitrary-view Human Action Recognition
University of Electronic Science and Technology of China(电子科技大学);Sun Yat-sen University(中山大学)
目前的动作识别研究主要集中在单视角和多视角的动作识别上,难以满足人机交互(HRI)应用对任意视角动作识别的需求。数据集的缺乏也设置了障碍。为了为任意视角动作识别提供数据,我们新收集了一个用于任意视角动作分析的大规模RGB-D动作数据集,包括RGB视频,深度和骨架序列。该数据集包括在8个固定视点和覆盖整个360度视角的变化视图序列中捕获的动作样本。总共邀请了118人表演40个动作类别,收集了25,600个视频样本。我们的数据集涉及更多的参与者,更多的观点和大量的样本。更重要的是,它是第一个包含整个360度可变视图序列的数据集。该数据集为多视图、跨视图和任意视图的动作分析提供了充足的数据。此外,我们提出了一个视图引导骨架CNN(VS-CNN)来解决任意视图动作识别问题。实验结果表明,VS-CNN具有优越的性能。
2019-04-24 cs.CV
Vision and Inertial Sensing Fusion for Human Action Recognition : A Review
University of Texas at Dallas(德克萨斯大学达拉斯分校)
人类动作识别被用于许多应用中,例如视频监控、人机交互、辅助生活和游戏。文献中出现的许多论文表明,与单独使用每种传感方式的情况相比,视觉和惯性传感的融合提高了识别精度。本文提供了一个调查的文件中,视觉和惯性传感同时使用的融合框架内,以执行人体动作识别。被调查的论文进行分类的融合方法,功能,分类器,以及多模态数据集考虑。挑战,以及可能的未来方向部署这两种传感模式的融合在现实条件下也陈述。
2020-08-02 cs.CV cs.HC cs.LG
View Based Methods can achieve Bayes-Optimal 3D Recognition
PARC(帕洛阿尔托研究中心)
本文证明了视觉对象识别系统只使用2D欧几里德相似性测量比较对象视图对以前看到的意见,可以实现相同的识别性能的观察者有机会获得所有的坐标信息,并能够使用任意的3D模型内部。此外,它表明,这样的系统不需要更多的训练视图比贝叶斯优化的基于3D模型的系统。对于构建计算机视觉系统,这些结果意味着使用基于视图或基于外观的技术与精心构建的证据机制相结合,相对于基于3D模型的系统可能不会处于不利地位。对于人类视觉的计算方法,他们表明,仅仅通过比较人类和基于3D模型的系统可实现的性能来区分基于视图和基于3D模型的3D对象识别技术是不可能的。
2007-12-02 cs.CV
Human Activity Recognition Using Tools of Convolutional Neural Networks: A State of the Art Review, Data Sets, Challenges and Future Prospects
University of Waterloo(滑铁卢大学);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);King Saud University(沙特国王大学)
人类活动识别(HAR)在人们的日常生活中起着重要的作用,因为它能够从可穿戴或固定设备中学习有关人类活动的广泛的高级信息。人们对HAR进行了大量研究,研究界也利用了许多基于深度学习和机器学习的方法来对人类活动进行分类。本综述的主要目标是总结最近基于各种深度神经网络架构的工作,即用于人类活动识别的卷积神经网络(CNN)。根据多模式传感设备、智能手机、雷达和视觉设备等输入设备的使用,所审查的系统被分为四类。本文介绍了性能,优势,劣势,和所使用的超参数的CNN架构的每个审查系统与可用的公共数据源的概述。此外,讨论了当前基于CNN的HAR系统面临的挑战。最后,本文总结了一些潜在的未来方向,这将是很大的帮助,为研究人员谁愿意在这一领域作出贡献。
2022-02-02 cs.CV cs.LG eess.SP
Handwritten Character Recognition In Malayalam Scripts- A Review
Rajagiri School of Engineering & Technology(拉贾吉里工程技术学院)
手写体字符识别是模式识别领域中最具挑战性和正在进行的研究领域之一。对于汉语和日语等外语来说,HCR研究已经成熟,但对于印度语言来说,问题要复杂得多。对于南印度语言,由于其庞大的字符集以及元音修饰符和复合字符的存在,这个问题变得更加复杂。本文概述了马拉雅拉姆语手写体字符识别在离线和在线方面的重要贡献和进展。
2014-02-10 cs.CV
Beyond Viewpoint: Robust 3D Object Recognition under Arbitrary Views through Joint Multi-Part Representation
Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China(电子科技大学深圳高等研究院)
针对任意视角下三维物体识别因输入未对齐而性能下降的问题,提出基于部件表示的PANet,利用视角不变性和旋转鲁棒性,在基准上超越视图聚合基线及多数固定视角方法。
2024-07-17 cs.CV
Human Gait Recognition using Deep Learning: A Comprehensive Review
Kansas State University(堪萨斯州立大学);Queen’s University Belfast(贝尔法斯特女王大学);University of Education(教育大学);Deakin University(迪肯大学)
本文系统综述了基于深度学习的人体步态识别技术,分析了环境因素与挑战,并探讨了现有方法以推动未来研究。
2023-09-18 cs.AI cs.CV
View-invariant action recognition
CRCV University of Central Florida(中佛罗里达大学计算机视觉研究中心)
人体动作识别是计算机视觉中的一个重要问题。它在监控、人机交互、增强现实、视频索引和检索等方面有着广泛的应用。由人类动作产生的时空外观的变化模式是识别所执行动作的关键。我们已经看到很多研究探索这种时空外观的动态,以学习人类行为的视觉表示。然而,大多数动作识别的研究都集中在一些共同的观点,这些方法并没有表现出良好的时,有一个改变的观点。人类动作在三维环境中执行,并且当从给定视点捕获为视频时被投影到二维空间。因此,一个动作从不同的视角看会有不同的时空表现。视点不变动作识别的研究就是为了解决这个问题,主要从看不见的视点来识别人的动作。
2020-09-01 cs.CV
Histogram of Oriented Principal Components for Cross-View Action Recognition
The University of Western Australia(西澳大利亚大学)
用于3D动作识别的现有技术对视点变化敏感,因为它们从视点相关的深度图像中提取特征。相比之下,我们直接处理点云,从未知和看不见的视图中识别跨视图动作。我们提出了方向主成分直方图(HOPC)描述符,是强大的噪声,观点,规模和动作速度的变化。在一个3D点,HOPC计算通过投影的三个缩放特征向量的点云在其本地时空支持体积到一个正十二面体的顶点。HOPC还用于检测3D点云序列中的时空关键点(STK),以便仅将这些关键位置处的视图不变STK描述符(或局部HOPC描述符)用于动作识别。我们还提出了一个全局描述符计算从归一化时空分布的STK在4-D,我们称之为STK-D。我们已经评估了我们提出的描述符对现有的九种技术在两个交叉视图和三个单视图人类动作识别数据集的性能。实验结果表明,我们的技术提供了显着的改进,国家的最先进的方法。
2015-09-03 cs.CV
Dense-View GEIs Set: View Space Covering for Gait Recognition based on Dense-View GAN
University of Missouri-Kansas City(密苏里大学堪萨斯城分校);University of Texas at Arlington(得克萨斯大学阿灵顿分校);Southern University of Science and Technology(南方科技大学);National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所模式识别国家重点实验室);Watrix technology limited co. ltd(Watrix科技有限公司)
步态识别已被证明是有效的长距离人体识别。但是步态特征的视角变化会极大地改变人体的外观,降低其性能。大多数现有的步态数据集通常收集十几个不同角度的数据,甚至更少。有限的视角将阻止学习更好的视图不变特征。如果以1度间隔采集不同角度的数据,可以进一步提高步态识别的鲁棒性。但是收集这类数据集是费时费力的。在本文中,我们,因此,介绍了密集视图GEIs集(DV-GEIs)来处理有限的视角的挑战。该套可覆盖整个视景空间,视角范围从0度到180度,间隔1度。此外,密集视图GAN(DV-GAN)的建议,综合这个密集视图集。DV-GAN由Generator、Discriminator和Monitor组成,其中Monitor用于保存人类身份和视图信息。在CASIA-B和OU-ISIR数据集上对所提出的方法进行了评估。实验结果表明,由DV-GAN合成的DV-GEI是一种学习更好的视图不变特征的有效方法。我们相信稠密视图生成样本的思想将进一步促进步态识别的发展。
2020-09-26 cs.CV
A Review On Table Recognition Based On Deep Learning
China Pacific Insurance (Group) Co., Ltd.(中国太平洋保险(集团)股份有限公司)
本文综述基于深度学习的表格识别,梳理数据集、评价指标、两阶段模型、端到端及以数据为中心方法,并比较实验结果与未来趋势。
2023-12-08 cs.AI cs.CV
A review on handwritten character and numeral recognition for Roman, Arabic, Chinese and Indian scripts
Universiti Teknologi Malaysia(马来西亚理工大学)
近四十年来,人们对手写体字符识别进行了大量深入的研究。对一些流行的文字,如罗马文、阿拉伯文、中文和印度文进行了研究。在本文中,我们提出了一个审查HCR工作的四个流行的脚本。我们总结了从2005年到最近发表的大部分论文,并分析了创建鲁棒HCR系统的各种方法。最后,对HCR的未来研究方向进行了展望。
2013-08-22 cs.CV
Pairwise Decomposition of Image Sequences for Active Multi-View Recognition
Imperial College London(伦敦帝国理工学院)
多视角图像序列提供了比来自单个图像的更丰富的对象识别能力。然而,大多数现有的多视图识别解决方案通常采用手工制作的基于模型的几何方法,这些方法不容易接受深度学习的最新趋势。我们建议将卷积神经网络用于通用多视图识别,通过将图像序列分解为一组图像对,独立地对每一对进行分类,然后通过加权每一对的贡献来学习对象分类器。这允许在任意相机轨迹上进行识别,而不需要在潜在的无限数量的相机路径和长度上进行显式训练。建立这些成对的关系,然后自然地扩展到下一个最佳视图问题的主动识别框架。为了实现这一点,我们训练第二个卷积神经网络,以直接从观察到的图像映射到下一个视点。最后,我们将其纳入一个轨迹优化任务,从而寻求最佳的识别信心,为一个给定的轨迹长度。我们在ModelNet数据集上展示了引导和非引导多视图识别的最新结果,并展示了我们的方法如何用于深度图像、灰度图像或两者。
2016-05-26 cs.CV cs.RO
Combining Multiple Views for Visual Speech Recognition
Sabanci University(萨班哲大学);Istanbul Technical University (ITU)(伊斯坦布尔理工大学)
视觉语音识别是一个具有挑战性的研究问题,具有在噪声场景中辅助音频语音识别的特定实际应用。多个摄像机设置在改进的性能和鲁棒性方面对于视觉语音识别系统是有益的。在本文中,我们探讨这方面,并提供了一个全面的研究,结合视觉语音识别的多个视图。全面的分析涵盖了在特征级和决策级融合所有可能的视角组合。本研究中采用的视觉语音识别系统通过基于PCA的卷积神经网络提取特征,然后是LSTM网络。最后,这些特征在串联系统中被处理,被馈送到GMM-HMM方案中。在这一点之后,通过组合维特比路径对数似然来进行决策融合。结果表明,从不同的视角记录中包含的互补信息显着改善的结果。例如,当将该视图与正面和$60^\circ$视角组合时,测试集上的句子正确性从最高性能的单个视图($30^\circ$)的76%增加到高达83%。
2018-06-28 cs.CV
Weather-Aware Domain Adaptation for Street-View Weather Recognition
University of Central Florida(中佛罗里达大学)
针对自动驾驶街景天气识别中的域偏移问题,提出天气感知对抗性判别域适应(WA-ADDA),统一多数据集基准,显著提升多种骨干网络在不利天气下的识别性能。
2026-10-02 cs.CV cs.LG
Review of Action Recognition and Detection Methods
York University(约克大学)
在计算机视觉中,动作识别是指对给定视频中存在的动作进行分类的动作,而动作检测涉及在空间和/或时间中定位感兴趣的动作。在网格结构中包含光度信息(例如RGB、强度值)的视频包含可以帮助识别已经成像的动作的信息。动作识别和检测的过程通常从提取有用的特征并对其进行编码开始,以确保特征是特定的,以服务于动作识别和检测的任务。然后通过分类器处理编码特征以识别动作类及其空间和/或时间位置。在这份报告中,通过分析一个典型的动作识别和检测算法的两个步骤:(i)特征的提取和编码,以及(ii)将特征分类为动作类,对计算机视觉中的各种动作识别和检测算法进行了全面的回顾。在努力确保计算机视觉为基础的算法达到的能力,人类有识别的行动,而不管各种滋扰变量,可能存在的视野内,国家的最先进的方法进行审查,并在最后一章中解决了一些剩余的问题。
2016-11-01 cs.CV
View Adaptive Neural Networks for High Performance Skeleton-based Human Action Recognition
Xian Jiaotong University(西安交通大学);Microsoft Research Asia(微软亚洲研究院);Chinese Academy of Sciences(中国科学院)
由于3D骨架数据的可访问性和普及性,基于骨骼的人体动作识别最近引起了越来越多的关注。基于图像的动作识别的关键挑战之一在于捕获数据时的大视图变化。为了减轻视图变化的影响,本文介绍了一种新的视图自适应方案,它自动确定虚拟观察视点的学习为基础的数据驱动方式。我们设计了两个视图自适应神经网络,基于RNN的VA-RNN和基于CNN的VA-CNN。对于每个网络,一个新的视图自适应模块学习和确定最合适的观察视点,并将骨架转换为与主分类网络进行端到端识别的视点。消融研究发现,所提出的视图自适应模型是能够转换的骨架的各种观点,更一致的虚拟视点,这在很大程度上消除了视点的影响。此外,我们设计了一个双流方案(称为VA融合),融合两个网络的分数,以提供融合的预测。在五个具有挑战性的基准上进行的广泛的实验评估表明,所提出的视图自适应网络的有效性和优越的性能超过最先进的方法。源代码可在https://github.com/microsoft/View-Adaptive-Neural-Networks-for-Skeleton-based-Human-Action-Recognition上获得。
2019-09-03 cs.CV
Dominant Set Clustering and Pooling for Multi-View 3D Object Recognition
McGill University(麦吉尔大学);Ca’ Foscari University of Venice(威尼斯大学)
基于视图的3D对象识别策略已被证明是非常成功的。最先进的方法现在可以在外观图像上实现超过90%的正确类别级别识别性能。我们通过引入基于主导集的视图聚类和池化层来改进这些方法。其关键思想是从相似的视图中汇集信息,从而属于同一个集群。然后,以循环的方式将池化的特征向量作为输入馈送到同一层。当插入到现成的预训练CNN中时,这种循环聚类和池化模块可以提高多视图3D对象识别的性能,在ModelNet 40数据库上实现93.8%的最新测试集识别准确率。我们还为我们的聚类池CNN探索了一种快速近似学习策略,该策略在牺牲端到端学习的同时,大大提高了其训练效率,识别准确率仅略微降低至93.3%。我们的实现可以在https://github.com/fate3439/dscnn上获得。
2019-06-04 cs.CV
MANet: Multimodal Attention Network based Point- View fusion for 3D Shape Recognition
三维形状识别作为三维视觉研究的一个重要课题,受到了越来越多的关注。3D数据的激增鼓励了基于3D数据的各种深度学习方法。现在已经有许多基于点云数据或多视图数据的深度学习模型。然而,在大数据时代,整合两种不同模态的数据以获得统一的3D形状描述符势必会提高识别精度。因此,本文提出了一种基于多模态注意力机制的融合网络用于三维形状识别。考虑到多视点数据的局限性,提出了一种软注意方案,利用全局点云特征对多视点特征进行过滤,实现了两种特征的有效融合。更具体地说,我们通过挖掘每个多视图图像对整体形状识别的贡献来获得增强的多视图特征,然后融合点云特征和增强的多视图特征以获得更具鉴别力的3D形状描述符。在ModelNet40数据集上进行了相关实验,实验结果验证了该方法的有效性。
2020-02-28 cs.CV
A Review of methods for Textureless Object Recognition
UNIVERSITY OF ALBERTA(阿尔伯塔大学)
随着机器人技术的出现及其在制造业中的应用,无纹理物体识别已成为计算机视觉的一个重要课题。由于其缺乏区分特征和反射特性,因此获得良好的性能非常具有挑战性。因此,用于纹理对象的方法不能应用于无纹理对象。在过去的20年里,特别是在TLess和其他无纹理数据集出现后的近5年里,人们做了大量的工作。在我们的研究中,我们计划将图像处理技术(用于特征增强)与深度学习技术(用于对象识别)相结合。在这里,我们提出了一个概述的各种现有的工作在该领域的无纹理物体识别,它可以大致分为基于视图,基于几何形状和基于形状。我们还添加了对2018年智能多媒体国际会议上提交的一些研究论文的评论。索引术语:计算机视觉,无纹理目标检测,无纹理对象识别,基于纹理的,边缘检测,深度学习
2019-10-31 cs.CV
Handwritten Character Recognition of South Indian Scripts: A Review
Cochin University of Science and Technology(科钦科技大学)
手写体字符识别一直是模式识别和图像处理领域的前沿研究领域,对手写体文档的OCR有着很大的需求。尽管对汉语、日语和阿拉伯语等外国文字的研究已经很充分,但对印度文字的手写字符识别,特别是对南印度文字的手写字符识别,只有很少的研究可以追溯。本文提供了一个概述脱机手写字符识别在南印度群岛,即马拉雅拉姆语,泰米尔语,卡纳达语和泰伦古语。
2011-06-01 cs.CL cs.CV cs.CY
Deep Learning Multi-View Representation for Face Recognition
The Chinese University of Hong Kong(香港中文大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
各种因素,如身份,意见(姿态),和照明,耦合在人脸图像。在人脸识别中,身份和视角表征的分离是一个主要的挑战。现有的人脸识别系统要么使用手工特征,要么有区别地学习特征,以提高识别精度。这与人脑的行为不同。有趣的是,即使没有访问3D数据,人类不仅可以识别人脸身份,而且还可以在给定单个2D图像的情况下想象不同视角下的人脸图像,从而使大脑中的人脸感知对视图变化具有鲁棒性。从这个意义上说,人脑已经从2D图像中学习和编码了3D人脸模型。考虑到这种本能,本文提出了一种新的深度神经网络,称为多视图感知器(MVP),它可以解开身份和视图特征,并在给定单个2D人脸图像的同时推断多视图图像的全谱。MVP的身份特征在MultiPIE数据集上实现了卓越的性能。MVP还能够在训练数据中未观察到的视点下插值和预测图像。
2014-06-26 cs.CV
Application of deep learning for livestock behaviour recognition: A systematic literature review
Robert Gordon University(罗伯特戈登大学);Loughborough University(拉夫堡大学);Manchester Metropolitan University(曼彻斯特城市大学);University of Nottingham(诺丁汉大学)
该系统性文献综述回顾了44篇高质量研究,总结了CNN、YOLO等深度学习模型在解决13类畜牧行为识别问题中的应用、性能评估、面临的挑战及未来研究方向。
2023-10-20 cs.AI cs.CV
Cross-view Action Recognition Understanding From Exocentric to Egocentric Perspective
University of Arkansas(阿肯色大学)
本文提出一种新颖的跨视角动作识别学习方法(CVAR),通过引入基于几何的约束和跨视角自注意力损失,有效将外中心视频知识转移到自我中心视角,并在多个基准上取得最先进性能。
2024-08-26 cs.CV
View Independent Vehicle Make, Model and Color Recognition Using Convolutional Neural Network
Sighthound Inc.(Sighthound公司)
本文详细介绍了Sighthound的全自动车辆制造,模型和颜色识别系统。我们系统的骨干是一个深度卷积神经网络,它不仅计算成本低,而且在几个有竞争力的基准测试中提供了最先进的结果。此外,我们的深度网络是在数百万张图像的大型数据集上训练的,这些图像是通过半自动化过程标记的。最后,我们在几个公共数据集以及我们自己的内部测试数据集上测试我们的系统。我们的研究结果表明,我们优于其他方法的所有基准显着的利润率。我们的模型可通过Sighthound Cloud API提供给开发人员,网址为https://www.sighthound.com/products/cloud
2017-02-06 cs.AI cs.CV
Visual Methods for Sign Language Recognition: A Modality-Based Review
Université de Sousse(苏塞大学);Ecole Nationale d’Ingénieurs de Sousse(苏塞国立工程师学院)
连续多模态流中的手语视觉识别仍然是最具挑战性的领域之一。人类动作识别的最新进展正在利用基于GPU的学习从海量数据中的提升,并且越来越接近人类的表现。然后,他们倾向于为聋人和听障社区创造互动服务。预计在未来几年人口将大幅增长。本文以手势语视觉理解为研究范围,对人类动作识别的相关文献进行综述。所分析的方法将主要根据所利用的不同类型的单峰输入、其相对的多模态组合和流水线步骤来组织。在每一节中,我们将详细介绍和比较相关的数据集,方法,然后区分适合创建手语相关服务的仍然开放的贡献路径。将特别关注处理面部表情和连续签名的方法和商业解决方案。
2020-09-22 cs.AI cs.CV cs.HC
A Comprehensive Review of Sign Language Recognition: Different Types, Modalities, and Datasets
Indian Institute of Technology Roorkee(鲁尔基印度理工学院)
本文系统综述了手语识别在类型、模态和数据集方面的研究进展,分析现有挑战与局限,并指出未来研究方向。
2022-04-07 cs.AI cs.CL cs.CV
Object Recognition Datasets and Challenges: A Review
School of Engineering, University of British Columbia(工程学院,不列颠哥伦比亚大学)
该综述梳理了160余个目标识别领域的公共数据集,介绍了相关基准、竞赛及评估指标,为数据驱动与机器学习研究者提供参考资源。
2025-07-30 cs.AI cs.CV
HRGE-Net: Hierarchical Relational Graph Embedding Network for Multi-view 3D Shape Recognition
Xi’an Jiaotong University(西安交通大学)
基于视图的方法通过投影的2D图像识别3D形状,实现了3D形状识别的最先进性能。基于视点的方法面临的一个重要挑战是如何将从二维图像中提取的多视点特征聚合成全局的三维形状描述符。在这项工作中,我们提出了一种新的功能聚合网络,通过充分调查的意见之间的关系。以多视图图像为节点构建关系图,通过对视图间的成对关系和相邻关系进行建模,设计关系图嵌入。通过逐步粗化图,构建层次关系图嵌入网络(HRGE-Net),将多视图特征聚合为全局形状描述子。大量的实验表明,HRGE-Net在基准数据集上实现了最先进的3D形状分类和检索性能。
2019-08-27 cs.CV
License Plate Recognition (LPR): A Review with Experiments for Malaysia Case Study
Universiti Teknikal Malaysia Melaka (UTeM)(马来西亚马六甲技术大学)
大多数汽车牌照识别采用神经网络技术来增强其计算能力。车辆牌照的图像被捕获并被处理以产生用于进一步处理的文本输出。本文综述了图像处理和神经网络技术在图像预处理、滤波、特征提取、分割和识别等不同阶段的应用,以消除图像噪声,提高图像质量,并通过将图像中的字符转换为相应的文本来加快计算过程。以马来西亚车牌为例,用MATLAB语言进行了一个典型的实验,展示了图像处理的基本过程。将一种算法应用于停车场管理系统的解决方案中。然后将该解决方案作为算法的概念证明来实现。
2014-01-22 cs.CV
Multi-view knowledge distillation transformer for human action recognition
National Yang Ming Chiao Tung University(国立阳明交通大学)
最近,基于变换器的方法已被用于提高人类动作识别的性能。然而,大多数这些研究假设多视图数据是完整的,这可能并不总是在现实世界的情况下。因此,本文提出了一种新的多视图知识蒸馏Transformer(MKDT)框架,由教师网络和学生网络。该框架旨在处理现实世界应用中的不完整人类行为问题。具体而言,多视图知识蒸馏Transformer使用具有移位窗口的分层视觉Transformer来捕获更多的时空信息。实验结果表明,我们的框架优于基于CNN的方法在三个公共数据集。
2023-03-25 cs.CV
Pedestrian Attribute Recognition in Video Surveillance Scenarios Based on View-attribute Attention Localization
College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院)
针对监控场景行人属性识别中特定属性定位不准的问题,提出基于注意力的视角-属性定位方法VALA,结合视角权重与区域注意力实现精准定位,在三个主流数据集上性能优于现有最优方法。
2021-12-20 cs.CV
Panorama to panorama matching for location recognition
Inria(法国国家信息与自动化研究所);CTU in Prague(布拉格捷克理工大学)
位置识别通常被视为“街景”图像上的视觉实例检索。数据集项目和查询是全景视图,即在单个位置拍摄的图像组。这项工作介绍了一种新的全景图到全景图的匹配过程,无论是通过聚合功能的个人图像在一个组中,或通过明确地构建一个更大的全景。在这两种情况下,都使用多个视图作为查询。我们达到接近完美的位置识别的标准基准只有四个查询视图。
2017-04-21 cs.CV
Multi-view Action Recognition via Directed Gromov-Wasserstein Discrepancy
University of Arkansas(阿肯色大学)
本文提出基于有向Gromov-Wasserstein差异的多视角注意力一致性方法,结合神经辐射场和视频Transformer,在三个大规模动作识别数据集上取得最先进结果。
2024-05-02 cs.CV
Targeted View-Invariant Adversarial Perturbations for 3D Object Recognition
Wentworth Institute of Technology(温特沃斯理工学院);Amazon(亚马逊公司)
本文提出视角不变对抗扰动(VIAP),通过单一通用扰动在多视角下实现对3D物体识别系统的目标与非目标攻击,在121个3D物体的1210张图像上top-1准确率超95%,为对抗鲁棒性设定新基准。
2024-12-17 cs.AI cs.CR cs.CV
Infrared face recognition: a literature review
Université Laval(拉瓦尔大学);Deakin University(迪肯大学)
自动人脸识别(AFR)是一个具有巨大实用潜力的领域,包括广泛的商业和执法应用,它仍然是计算机视觉最活跃的研究领域之一。即使经过三十多年的深入研究,AFR的最新技术水平仍在不断提高,这得益于包括图像处理、模式识别、计算机图形学和生理学在内的一系列不同领域的进步。然而,基于可见光谱图像的系统在存在照明、姿势和表情变化以及面部伪装的情况下继续面临挑战,所有这些都会显著降低其准确性。在试图克服这些限制而提出的各种方法中,红外(IR)成像的使用已经成为一个特别有前途的研究方向。本文对这一主题的文献进行了全面和及时的回顾。
2013-06-07 cs.CV
Systematic Evaluation of Novel View Synthesis for Video Place Recognition
系统评估合成新视角对视频地点识别的影响,发现少量合成视角可提升识别性能,且视角变化幅度不如添加数量和图像类型重要。
2026-06-16 cs.CV cs.RO