[计算机视觉论文速递] 2018-05-22

导言

这篇文章有4篇论文速递信息,涉及图像分割、视频分割、目标追踪和异常检测等方向。

编辑: Amusi

校稿: Amusi

前戏

Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨,还请见谅。喜欢的童鞋,欢迎star、fork和pull。

直接点击“阅读全文”即可访问daily-paper-computer-vision

link: https://github.com/amusi/daily-paper-computer-vision

Image Segmentation

《Deep Object Co-Segmentation》

2018 arXiv

Abstract:这项工作提出了一种深度对象共分割(DOCS)方法,用于分割一对图像中同一类的共同对象。这意味着该方法学习忽略常见或不常见的背景内容,并专注于对象。 如果在图像对中呈现多个对象类,则将它们共同提取为前景。为了解决这个任务,我们提出了一个基于CNN的连体编码器 - 解码器架构。编码器提取前景对象的高级语义特征,互相关层检测公共对象,最后,解码器为每个图像生成输出前景掩膜。为了训练我们的模型,我们编译了一个大对象协同分割数据集,该数据集由来自PASCAL VOC数据集的图像对与普通对象掩膜组成。我们评估了常用数据集的共分割任务方法,并观察到我们的方法对于看到和看不见的对象类,始终优于其它方法。

arXiv:https://arxiv.org/abs/1804.06423

注:联合分割,很cool!

Video Segmentation

《Superframes, A Temporal Video Segmentation》

2018 arXiv

Abstract:视频分割的目标是将视频数据转换为一组可以轻松解释为视频构建块的具体运动集群。有一些类似主题的作品,比如检测视频中的场景剪辑,但很少有关于将视频数据聚类到所需数量的紧凑片段的具体研究。与从我们称之为超帧的低级分组过程获得的具有感知上有意义的实体一起工作会更直观,更高效。本文提出了一种新的简单而有效的技术来检测视频中类似内容模式的超帧。我们计算内容运动的相似度以获得连续帧之间的变化强度。在现有的使用深度模型的光流技术的帮助下,所提出的方法能够有效地执行更精确的运动估计。我们还提出了两个衡量和比较各种数据库上不同算法性能的标准。来自基准数据库的视频实验结果证明了该方法的有效性。

arXiv:https://arxiv.org/abs/1804.06642

Object Tracking

《Unveiling the Power of Deep Tracking》

2018 arXiv

Abstract:在通用目标跟踪领域,已经利用深度特征进行了许多尝试。尽管载有很多期望,但与仅基于手工特征(handcrafted feature)的方法相比,深度跟踪器仍未达到出色的性能水平。在本文中,我们调查了这个关键问题,并提出了解决深度特征追踪真实潜力的方法。我们系统地研究了深和浅特征的特征,以及它们与跟踪精度和鲁棒性的关系。我们将有限的数据和低空间分辨率确定为主要挑战,并提出策略以在集成深度特征进行跟踪时解决这些问题。此外,我们提出了一种新颖的自适应融合方法,利用深和浅特征的互补特性来提高鲁棒性和准确性。对四个具有挑战性的数据集进行了大量实验。在VOT2017上,我们的方法明显优于EAO中最高性能跟踪器,相对增益为17%。

arXiv:https://arxiv.org/abs/1804.06833

注:上述所说的深度特征,应该就是深度神经网络提取的特征

Anomaly detection

《Temporal Unknown Incremental Clustering (TUIC) Model for Analysis of Traffic Surveillance Videos》

2018 arXiv

Abstract:优化的场景表示是用于检测实况视频异常的框架的重要特征。检测实时视频异常的挑战之一是以非参数方式实时检测对象。另一个挑战是有效地表示跨帧的对象状态。在本文中,提出了一种基于Gibbs抽样的启发式模型,称为时间未知增量聚类(TUIC),用于将像素与运动聚类。首先使用光流检测像素运动,并且已经应用贝叶斯算法将后续帧中属于相似群集的像素相关联。该算法速度快并且在Θ(kn)时间产生准确的结果,其中k是簇的数量,n是像素的数量。我们使用公开可用的数据集进行的实验验证表明,所提出的框架具有很好的潜力来为实时交通分析开辟新的机会。

arXiv:https://arxiv.org/abs/1804.06680

注:用于交通监控视频分析

原文发布于微信公众号 - CVer(CVerNews)

原文发表时间:2018-05-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

Python机器学习:数据拟合与广义线性回归

机器学习中的预测问题通常分为2类:回归与分类。 简单的说回归就是预测数值,而分类是给数据打上标签归类。 本文讲述如何用Python进行基本的数据拟合,以及如何对...

40360
来自专栏xingoo, 一个梦想做发明家的程序员

吴恩达机器学习笔记 —— 16 异常点检测

我感觉这篇整理的很好很用心,可以详细参考: https://blog.csdn.net/Snail_Moved_Slowly/article/details/...

8710
来自专栏大数据挖掘DT机器学习

Python机器学习从原理到实践(2):数据拟合与广义线性回归

机器学习中的预测问题通常分为2类:回归与分类。 简单的说回归就是预测数值,而分类是给数据打上标签归类。 本文讲述如何用Python进行基本的数据拟合,以及如何对...

37280
来自专栏大数据挖掘DT机器学习

通俗的将Xgboost的原理讲明白

初看Xgboost,翻了多篇博客发现关于xgboost原理的描述实在难以忍受,缺乏逻辑性,写一篇供讨论。 观其大略,而后深入细节,一开始扎进公式反正我是觉得效...

1.3K60
来自专栏超然的博客

A Tutorial on Network Embeddings

NE 的中心思想就是找到一种映射函数,该函数将网络中的每个节点转换为低维度的潜在表示

30330
来自专栏大数据挖掘DT机器学习

谱聚类、Chameleon聚类、PCCA、SOM、Affinity Propagation

层次聚类和K-means聚类,可以说是聚类算法里面最基本的两种方法(wiki的cluster analysis页面都把它们排前两位)。这次要探讨的,则是两个相...

41730
来自专栏CVer

[计算机视觉论文速递] 2018-03-09

通知:这篇推文有19篇论文速递信息,涉及图像分类、目标检测、目标分割、超分辨率SR、姿态估计、行人重识别Re-ID等方向 [1]《A Deep Learning...

378100
来自专栏AI科技大本营的专栏

干货 | 目标检测入门,看这篇就够了(下)

? 作者 | 李家丞( 同济大学数学系本科在读,现格灵深瞳算法部实习生) 近年来,深度学习模型逐渐取代传统机器视觉方法而成为目标检测领域的主流算法,本系列文...

68470
来自专栏机器之心

业界 | 谷歌最新语义图像分割模型DeepLab-v3+今日开源

选自Google Research Blog 作者:Liang-Chieh Chen、Yukun Zhu 机器之心编译 参与:刘晓坤、路雪 刚刚,谷歌开源了语义...

31760
来自专栏目标检测和深度学习

干货 | 目标检测入门,看这篇就够了(下)

作者 | 李家丞( 同济大学数学系本科在读,现格灵深瞳算法部实习生) 近年来,深度学习模型逐渐取代传统机器视觉方法而成为目标检测领域的主流算法,本系列文章将回...

57480

扫码关注云+社区

领取腾讯云代金券