ICCV 2017 Tutorial on Instance-level Visual Recohnition(slide1 introduction)

最新推荐文章于 2025-02-19 09:18:11 发布
最新推荐文章于 2025-02-19 09:18:11 发布
阅读量462 收藏
点赞数
分类专栏： 目标检测 文章标签： 深度学习 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wei_guo_xd/article/details/78606830
版权
本教程探讨了视觉识别从简单到复杂的演变过程，并介绍了实例级识别的任务，包括目标检测、实例分割、姿态估计及目标交互等内容。行程表覆盖了多个主题演讲，涉及目标检测的R-CNN框架、Mask R-CNN、识别人与目标的交互、视频识别以及超越目标实例的议题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >


教程--实例层面的视觉识别

识别的复杂度不断增加
数字分类（MNIST）
面部识别
边缘检测
图像分类（Caltech101）
大尺度图像分类（ImageNet）
目标检测和语义分割（PASCAL VOC）
实例分割和姿态估计（MS COCO）

实例级的识别
目标：识别场景（图像）内的所有目标实例
  • 为每个目标放置一个边界框（目标检测）
  • 预测每个目标空间上的支撑（实例分割）（也就是把属于某个目标的像素点划分给这个目标）
  • 对于每个目标实例估计姿态（姿态估计）
  • 预测目标间的相互关系（目标交互）
  • 预测目标在时间上进行的行为（视频目标检测）

行程表：
14:00-14:10 欢迎和概述
14:10-14:50 talk 1: 通用R-CNN框架用于目标检测（Ross Girshick）
14:50-15:20 talk 2: Mask R-CNN: 从等同性的视角（何恺明）
15:20-15:50 talk 3: 识别人和目标的交互（Georgia Gkioxari）
15:50-16:30 休息
16:30-17:00 talk 4: 基于流理论的视频识别（jifeng dai）
17:00-17:30 talk 5: 超越目标实例（Justin Johnson）
17:30-17:45 闭幕词


【读书笔记】DA-GAN: Instance-level Image Translation
My Blog
03-22 4999
Abstract 旨在翻译两组独立图像的无监督图像翻译在没有配对数据而找到正确对应方面上具有挑战性。基于GAN展开的研究工作使得翻译图像的分布与目标集合的分布无法区分。然而，这样的集合约束不能学习实例级别的对应关系（例如对象配置任务中对齐的语义部分）。这种限制常常导致误报（例如几何或语义伪像），并进一步导致模式崩溃问题。为了解决上述问题，我们提出了一个由Deep Attention GAN（DA...
2021 ICCV : Instance-level Image Retrieval using Reranking Transformers
青儿的博客
03-31 1961
Abstract 实例级图像检索是在大型数据库中搜索与查询图像中的对象匹配的图像的任务。为了完成这项任务，系统通常依赖于使用全局图像描述符的检索步骤，以及通过利用诸如基于局部特征的几何验证之类的操作来执行特定于域的细化或重新排序的后续步骤。在这项工作中，我们提出了一个通用的模型，将局部和全局特征结合起来，以监督的方式重新排列匹配图像，从而取代了相对昂贵的几何验证过程。rrt是轻量级的，并且可以很容易地并行化，这样就可以在一次向前传递中重新排列一组顶级匹配结果。我们在重新访问的牛津和巴黎数据集以及Google
何凯明大神在 ICCV2017上的 tutorial（Best Paper Award，Marr Prize）
01-02
何凯明大神在 ICCV2017上的 tutorial（Best Paper Award，Marr Prize），配合论文学习理解更好。
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
We present a fast inverse-graphics framework for instance-level 3D scene understanding. We train a deep convolutional network that learns to map image regions to the full 3D shape and pose of all object instances in the image. Our method produces a compact 3D representation of the scene, which can be readily used for applications like autonomous driving. Many traditional 2D vision outputs, like instance segmentations and depth-maps, can be obtained by simply rendering our output 3D scene model. We exploit class-specific shape priors by learning a low dimensional shape-space from collections of CAD models. We present novel representations of shape and pose, that strive towards better 3D equivariance and generalization. In order to exploit rich supervisory signals in the form of 2D annotations like segmentation, we propose a differentiable Render-and-Compare loss that allows 3D shape and pose to be learned with 2D supervision. We evaluate our method on the challenging real-world datasets of Pascal3D+ and KITTI, where we achieve state-of-the-art results.
zifeng wu instance level segmentation：Bridging Category-level and Instance-level Semantic Image
bea_tree的博客
03-02 3364
本文是arXiv上去年5月份的文章，依然是zifeng wu的工作。一句话总结作者ResNet网络的各种超参的作用，最后得到了在当时state of the art的分割成绩，并提出了自己的instance-level semantic的方式，并提出了困难样本选择的方法。1 instance segmentation整体结构： 这里包含两个网络，图像category-level的segment
DA-GAN: Instance-level Image Translation by Deep Attention Generative Adversarial Networks
weixin_37731534的博客
03-28 1041
本文均为总结其他人的博客对遇见的一些问题的解决，如有侵权，请联系删帖 论文标题 ：DA-GAN: Instance-level Image Translation by Deep Attention Generative Adversarial Networks 论文提出的难点： （1）本论文采用的是无监督学习的方法，没有配对数据的情况下，很难找到正确的对应关系 （2）set-level约束不能学...
期权matlab代码-Spatial-Temporal-Pooling-Networks-ReID:ICCV2017论文的代码-联合专注的时空
05-26
ICCV 2017论文的代码-联合专注的时空汇集网络，用于基于视频的人员重新识别 如果您使用此代码，请引用： @inproceedings{shuangjiejointly, title={Jointly Attentive Spatial-Temporal Pooling Networks for Video...
ICCV2017 Person Re-Id
02-11
【ICCV2017 Person Re-Id】是2017年国际计算机视觉大会（International Conference on Computer Vision）上关于行人重识别（Person Re-Identification，简称Re-ID）研究的重要资源集合。行人重识别是一个计算机视觉...
ICCV2017-plenoptic-camera-calibration:该存储库包含为我们的ICCV 2017论文开发的全光摄像机校准软件
05-01
计算机视觉，第957-965页，2017年。 在运行以下步骤之前，请确保可以使用微透镜中心。 如果不是，请使用相机的白色图像运行LightFieldCalib_Step1_MicroLensCenter。 步骤1 Plenoptic_GeoCalibration_Step2_...
Su_Pose-Driven_Deep_Convolutional_ICCV_2017_paper-耿韶松1
08-03
《基于姿态驱动的深度卷积模型在人体重识别中的应用》 人体重识别（Person Re-Identification，简称ReID）是视频监控系统中的关键技术，它涉及到从不同摄像头捕获的图像中识别出特定个体的过程。...
ssd_eccv2016_slide
08-18
ssd_eccv2016_slide
何恺明在CVPR会议上演讲时的ppt
11-17
何恺明在CVPR会议上演讲时的ppt——基于暗通道先验的单幅图像去雾技术
浅读"Instance-Level Salient Object Segmentation"
LegendaryFour的博客
07-18 1944
论文主要目的         解决基于实例水平上的多尺度显著物体检测并分割的问题   论文研究背景         在之前的研究中，只做了像素水平上的显著区域分类问题和单尺度的显著性掩模生成问题，对多尺度和实例分割(instance-level segmentation)没有太好的解决方法。​   论文主要框架 &n...
[论文阅读] Instance-level salient object segmentation
xiongxyowo的博客
12-17 1080
论文地址：https://doi.org/10.1016/j.cviu.2021.103207 代码：https://github.com/Kinpzz/MSRNet-CVIU 发表于：CVIU.21 注：本文原发表于CVPR.17 Abstract 由于深度卷积神经网络的发展，图像显著性检测最近取得了巨大成功。然而，大多数现有的显著目标检测方法不能识别检测到的显著区域中的单个物体实例。在本文中，我们提出了一种显著性实例分割方法，该方法可以为输入图像产生一个具有明显对象实例标签的显著图。我们的方法由三个主要
图像检索中的概念
PyBigStar的博客
12-02 668
class-level retrival是类级别的检索，而instance-level retrival是实例级别的检索。即前者能匹配的正确图像在数据库中可能有很多，而后者能匹配的正确图像在数据库中只有一个。**例如，**要找“一个穿蓝色衣服的金发女郎在打车。” 实际上你只有一个正确答案。不像class-level 或category-level的 要找“女性“可能有很多个正确答案。所以这个问题更细粒度，也更需要detail的视觉和文本特征。 ...
目标检测综述
MyArrow的专栏
12-11 1302
1. 目标 分类-Classification 解决“是什么？”的问题 即给定一张图片或一段视频判断里面包含什么类别的目标 定位-Location 解决“在哪里？”的问题 即定位出这个目标的的位置 检测-Detection 解决“是什么？在哪里？”的问题 即定位出这个目标的的位置并且知道目标物是什么。 分割-Segmentation 分为实例的分割（Instance-leve...
【每日论文】ILIAS: Instance-Level Image retrieval At Scale
最新发布
weixin_40240616的博客
02-19 379
本文提出了ILIAS，一个用于大规模实例级图像检索的新测试数据集，旨在评估当前和未来基础模型和检索技术的特定对象识别能力。
CVPR2023|Learning Instance-Level Representation for Large-Scale Multi-Modal Pretraining in Ecommerce
asuiyu的博客
01-25 876
本文旨在建立一个通用的多模态基础模型，该模型具有可扩展的电子商务中大规模下游应用的能力。近年来，大规模视觉语言预训练方法在通用领域取得了显著进展。然而，由于自然图像和产品图像之间的显着差异，将这些框架直接应用于电子商务的图像级表示建模将不可避免地次优。为此，我们在这项工作中提出了一种以实例为中心的多模态预训练范式，称为ECLIP。具体来说，我们设计了一个解码器架构，该架构引入了一组可学习的实例查询，以显式聚合实例级语义。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值