【今日CV 计算机视觉论文速览 第133期】Wed, 19 Jun 2019

今日CS.CV 计算机视觉论文速览
Wed, 19 Jun 2019
Totally 39 papers
?上期速览✈更多精彩请移步主页
??????
?小尝试：?留言 邮箱地址及时获悉论文速览

Interesting:

?基于人体姿势生成时尚衣着图像, 提出了一种将主体的时尚图像从某个姿势迁移到新的体态姿势上去。这一模型包含了两个判别器和一个生成器。其中生成器包含了姿势编码器、图像编码器以及对应的解码器，两个编码器得到的特征表达将被用于新图像合成。与传统方法不同的是两个判别器用于指导模型学习，一个用于判别生成图像与训练样本，领域各用于验证生成图像与姿势间的连续性。(from 北卡大学 JD OPPO)

姿势的编码器Dp保证了生成图像姿势的连续性！
与相关方法的比较：

得到的结果：

dataset: DeepFashion [16] and Market-1501 [37].
ref:时尚相关的图像任务smart photo editing, movie making, virtual try-on, and fashion display

?合成数据用于预测密集堆叠相似物体的边界, 边界方向检测主要通过预测任一类别实例的边界和对应的遮挡部分来实现，研究人员提出了共享编码器的两个解码器架构，从单张RGB中同时预测出边界和未遮挡面。研究人员还合成了Mikado数据集来评测物体间相互遮挡的情况(from France ´Universit´e de Lyon)
得到的结果和对应的模型，共享编码器的两个解码器和之间的额调节层共享信息。

使用的数据集和其中互相遮挡的物体：
构建数据的过程，在边界处高的设为1低的设为0，得到了上下物体的朝向：

用于合成数据的材质和背景：

各种不同模型的变种：

ref:
Oriented Edge Forests for Boundary Detection
https://github.com/samhallman/oef
edge detection ref:
R. Deng, C. Shen, S. Liu, H. Wang, X. Liu, Learning to Predict Crisp Boundaries, in ECCV 18
Y. Wang, X. Zhao, K. Huang, Deep Crisp Boundaries, in CVPR (IEEE Computer Society, 2017), Convolutional Features for Edge Detection
J. Yang, B.L. Price, S. Cohen, H. Lee, M.H. Yang, Object Contour Detection with a Fully Convolutional EncoderDecoder Network, in CVPR (IEEE Computer Society, 2016),
O. Ronneberger, P. Fischer, T. Brox, U-Net: Convolutional Networks for Biomedical Image Segmentation
S. Xie, Z. Tu, Holistically-Nested Edge Detection, in ICCV15

?DeepView新视角合成方法，基于学习到的梯度下降, 通过稀疏的视点和多平面图像(multiplane image ,MPI，不同深度的图像层))，研究人员在学习到的梯度下降方法上提出了新的视角合成方法，可以有效处理物体边界、遮挡、光反射、薄壁结构、深度复杂等场景。(from 谷歌)
通过重建和梯度下降来得到MPI图像，最后既可以渲染出不同视角的图像：
gradients have a particularly intuitive form in that they encode the visibility information between the input views and the MPI layers! MPI render image!

可学习的梯度下降过程，基于初始化的MPI不断利用相同结构的CNN，根据计算出的梯度来更新MPI：

更新CNN的架构如下：

得到的合成视角结果：

dataset:Spaces
web:https://augmentedperception.github.io/deepview/
ref:learned gradient descent:https://github.com/adler-j/learned_gradient_tomography
++paper:https://arxiv.org/pdf/1704.04058.pdf

?三维几何隐含模式分析和三维Mesh, 提出了基于mesh的几何纹理分析，将用户尺度和3Dmesh作为输入，并生成基于相似度的纹理聚类，和有意义的分类。不同尺度对于特征的描述和抽取是不同的，通过用户定义的尺度来分割和抽取并分类几何纹理。(from Clermont Universit´e, Universit´e d’Auvergne)

code:https://github.com/AliceOTHMANI/3D-Geometric-Texture-Segmentation

---

Daily Computer Vision Papers

**Weather Influence and Classification with Automotive Lidar Sensors Authors Robin Heinzler, Philipp Schindler, J rgen Seekircher, Werner Ritter, Wilhelm Stork 激光雷达传感器通常用于移动机器人和自动驾驶车辆，以补充摄像机，雷达和超声波传感器以获得环境感知。通常，感知算法被训练为仅检测移动和静态对象以及地面估计，但故意忽略天气效应以减少错误检测。在这项工作中，我们对恶劣天气条件下的汽车激光雷达性能进行了深入分析，即大雨和浓雾。已经记录了针对各种雾和雨条件的大量数据集，这是在不断变化的环境条件下对点云进行深度分析的基础。此外，我们介绍了一种仅用激光雷达传感器检测和分类雨或雾的新方法，并在受控环境中实现了数据集97.14的交叉平均联合。天气对激光雷达传感器性能的影响分析和天气检测是提高可靠信息以适应车辆行为的重要步骤，旨在提高恶劣天气条件下自动驾驶的安全水平。

***ADA-Tucker: Compressing Deep Neural Networks via Adaptive Dimension Adjustment Tucker Decomposition Authors Zhisheng Zhong, Fangyin Wei, Zhouchen Lin, Chao Zhang 尽管最近在许多应用中成功地使用了深度学习模型，但是它们在移动设备上的广泛使用受到存储和计算要求的严重阻碍。在本文中，我们提出了一种新的网络压缩方法，称为自适应尺寸调整Tucker分解ADA Tucker。借助可学习的核心张量和变换矩阵，ADA Tucker执行任意阶数张量的Tucker分解。此外，我们建议在具有适当顺序和平衡维度的网络中的权重张量更容易压缩。因此，分解选择的高度灵活性将ADA Tucker与之前的所有低级别模型区分开来。为了压缩更多，我们通过为所有层定义共享核心张量，进一步将模型扩展到Shared Core ADA T