论文地址:http://arxiv.org/pdf/1912.09390v2.pdf 代码:https://github.com/meder411/tangent-images 来源:北卡罗来纳大学教堂山分校 论文名称:Tangent Images for Mitigating Spherical Distortion 原文作者:Marc Eder
在本文的工作中,我们提出了切线图像,一个球形图像表示,方便可转移和扩展的360计算机视觉。以制图学和计算机图形学技术为基础,我们将一球面图形渲染成一组畸变缓和的,与细分二十面体相切的局部平面的图像网格。通过改变这些独立于细分层网格的分辨率,我们可以有效地描绘高分辨率的球面图像,同时仍然受益于低失真二十面体球面近似。本文证明了在正切图像上训练标准卷积神经网络比许多已经开发的专门的球面卷积内核更好,同时也能有效地伸缩以处理得到更高的球面分辨率。此外,由于本文的方法不需要专门的内核,因此可以在没有微调和性能有限下降的情况下,将透视图像训练网格传输成球形数据。最后,本文证明了切线图像可以用来提高球形图像稀疏特征检测的质量,说明了该方法在传统的计算机视觉任务(如运动中结构恢复和SLAM)中的有效性。
下面是论文具体框架结构以及实验结果:
人工智能,每日面试题:
一般,k-NN最近邻方法在( )的情况下效果较好
A.样本较多但典型性不好
B.样本较少但典型性好
C.样本呈团状分布
D.样本呈链状分布
每日面试题,答案:
号主答案:B
解析:K近邻算法主要依靠的是周围的点,因此如果样本过多,那肯定是区分不出来的。因此应当选择B
样本呈团状颇有迷惑性,这里应该指的是整个样本都是呈团状分布,这样kNN就发挥不出其求近邻的优势了,整体样本应该具有典型性好,样本较少,比较适宜。
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请删除。