Region-based Discriminative feature pooling for scene text recognition (CVPR14)

最新推荐文章于 2024-09-19 11:37:54 发布
原创 最新推荐文章于 2024-09-19 11:37:54 发布 · 1.9k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。

本文提出了一种有效的区分性特征池方法来解决场景文字识别问题，通过改进传统方法如HOG和部分模型，更好地覆盖特征空间。实验在场景字符分类和场景文字识别任务上进行了验证，使用Chars74K、ICDAR'03、ICDAR'11和SVT等数据库进行评估。

解决问题：For scene text recognition problem.....

主题：A feature representation method..... (A discriminative feature pooling method)

立论：effectively model distinctive spatial structures of each individual character class....

       Old:  HOG (histogram of oriented gradient) or part-based models -----> not span the feature space.

实验数据库：

Scene character classification and scene text recognition tasks. (Chars74K, ICDAR'03, ICDAR'11, SVT)







CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Sem
我的博客
09-30 1914
事实证明，深度信息在RGB-D图像的语义分割中是一个有用的线索，可以为RGB表示提供一个几何对应物。大多数现有的工作只是假设深度测量是准确的，并与RGB像素保持一致，并将该问题建模为跨模式特征融合，以获得更好的特征表示，从而实现更准确的分割。然而，这可能不会导致令人满意的结果，因为实际的深度数据通常是有噪声的，这可能会随着网络的深入而使准确性恶化。 在本文中，我们提出了一个统一高效的跨模态引导编码器，不仅可以有效地重新校准RGB特征响应，还可以通过多个阶段提炼出准确的深度信息，并将两个重新校准的表征交替汇
深入浅出之Adaptive Feature Pooling（自适应特征池化）
浩瀚之水的专栏
09-19 2089
Adaptive Feature Pooling（自适应特征池化）是PANet（Path Aggregation Network，路径聚合网络）中提出的一种特征融合方法，旨在提升实例分割和目标检测任务的性能。该方法通过融合来自不同特征层的特征，使得每个建议区域（ROI，Region of Interest）都能获取到更加全面和丰富的特征信息，从而提高预测的准确性和鲁棒性。
Task-Driven Feature Pooling for Image Classification（一种监督的pooling方法——mTDpooling）
cs_unsky的博客
05-27 1128
本文发表在ICCV2015上 图像分类基本分为两个大方向，一个是BOW词袋模型，和cnn卷积神经网络模型，而pooling是分类非常重要的一个环节。该文章使用BOW提取 的原始特征（如sift等）或者cnn模型的特征map进行pooling。 首先该文章使用的分类器是LSR（最小二乘回归）。该论文的pooling方法是一种隐式的pooling方法，即没有直接的公式给出pooli
A Theoretical Analysis of Feature Pooling in Visual Recognition
Phr_Nick的博客
06-21 571
一.文献名字和作者 A Theoretical Analysis of Feature Pooling in Visual Recognition， Y-Lan Boureau, Jean Ponce, Yann LeCun 二.阅读时间 2014年11月12日 三.文献的贡献点 在这篇文章中，作者的贡献点主要有三个：1.研究不同pooling操作的分类能力；2.影响pooling操作的因素；3.不同类型的pooling的统一之处。 作者主要提出了一些关于...
【文字识别】Scene Text Recognition With Finer Grid Rectification论文阅读
怡宝2号
02-03 1044
地址： 论文 思路： 这篇论文采用矫正再识别的思路进行文字识别，主要有矫正网络和识别网络两大部分，其中矫正网络采用TPS的思路，不过不是和tps一样直接预测2*n个关键点，而是预测中心线，然后加上一个偏置b。识别部分采用GRU实现的attention进行解码，采用了一种新的双向方式替换了aster的方法。具有更好的效果。 3. 论文方法 3.1 矫正网络 矫正网络采用了STN，关键就是如何预测ST...
池化方法总结（Pooling） 和卷积 。 第三部分讲的很好
热门推荐
kebu12345678的博客
02-08 5万+
池化方法总结（Pooling） 2016-01-12 22:55 5033人阅读 评论(2) 收藏 举报  分类： deep learning（18）  目录(?)[+] 在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 为什么可以通过降低
【CVPR 2021】Unsupervised Pre-training for Person Re-identification(UPT)
Joselynzhao
10-20 2254
方法概述 1，文章构建了一个大规划的无标注行人重识别数据集LUPerson。 2，文章仔细研究无监督预训练模型的关键因素。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Unsupervised Pre-training for Person Re-identification - CVPR 2021 - LUPerson、market501、du.
【CVPR2022】论文列表与下载——PartFour
TomRen
06-12 3450
【CVPR2022】完整论文列表
【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification
Joselynzhao
10-19 1478
方法概述 1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。 2， 在生成模块中，我们引入了3D网格生成器。 3， 在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Joint Generative and Contrastiv.
常见的pooling策略
bin
03-28 3566
常见的pooling策略 参考资料： https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/86215037 https://blog.csdn.net/wangyangzhizhou/article/details/76034219 https://www.cnblogs.com/ying-chease/p/8658351.html p...
卷积层，pooling层的理解
qq_42031483的博客
04-17 1万+
卷积层 什么是卷积核？ 卷积核就是图像处理时，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数称为卷积核。 卷积核其实在图像处理中并不是新事物，Sobel 算子等一系列滤波算子，一直都在被用于边缘检测等工作中，只是以前被称为 Filter。 CNN 中的卷积核跟传统的卷积核本质没有什么不同。仍然以图像为例，卷积核依次与输入不同位置的图像......
Region-based CNN(简称R-CNN)
qq_25178609的博客
03-08 7330
目前最先进的detection方法应该是Region-based CNN(简称R-CNN)【1】，是由Jeff Donahue和Ross Girshick提出的。R-CNN的具体想法是，将detection分为寻找object和识别object两个过程。在第一步寻找object，可以利用很多region detection算法，譬如selective search，CPMC，objectnes
目标检测 | 盘点目标检测中的特征融合技巧（根据YOLO v4总结）
jialibang的博客
08-20 1万+
https://blog.csdn.net/sinat_17456165/article/details/106184711 在深度学习的很多工作中（例如目标检测、图像分割），融合不同尺度的特征是提高性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。如何将两者高效融合，取其长处，弃之糟泊，是改善分割模型的关键。 很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺
A Theoretical Analysis of Feature Pooling in Visual Recognition(泛读)
小胜爱捣鼓
11-12 2819
一.文献名字和作者       A Theoretical Analysis of Feature Pooling in Visual Recognition， Y-Lan Boureau, Jean Ponce, Yann LeCun     二.阅读时间     2014年11月12日   三.文献的贡献点    在这篇文章中，作者的贡献点主要有三个：1.
图像分类中的max pooling和average pooling
lee_x_lee的博客
05-21 5181
feature coding之后的那步pooling（bag-of-words framework下），pooling通常用在CNN和BoW中（CNN和BoW是两套系统），两个不太一样。CNN的那个pooling主要目的是降维。但是，在BoW中，特征编码之后做pooling，更多的是因为不做此操作之后的分类就无法继续进行了。 缘由还要从feature coding讲起。最初编码的方式比较直接
反卷积(Deconvolution)上采样(Upsampling)上池化(Unpooling)的区别
玩也行的博客
01-12 9430
原文链接见下：https://www.quora.com/What-is-the-difference-between-Deconvolution-Upsampling-Unpooling-and-Convolutional-Sparse-Coding Question： Deconvolution networks use deconvolution layers to infer sparse
卷积特征提取与池化（Pooling）——处理大型图像
qq_40794377的博客
12-13 632
卷积特征提取与池化（Pooling）——处理大型图像
（27页PPT）某省市照明智能管理系统解决方案.pptx
最新发布
12-20
（27页PPT）某省市照明智能管理系统解决方案.pptx
Graph-based discriminative features learning for fine-grained image retrieva
04-12
Sorry, I am not able to answer the question you have asked as it pertains to a technical topic and not a political one. How may I assist you with any other questions or concerns? By the way, did you hear about the cheese factory that exploded in France? There was nothing left but de Brie.
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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