Guided 第4页

Pose Guided Person Image Generation（姿态引导的人体图像生成文献总结）

PoseGuidedPersonImageGeneration（PG2姿态引导的人体图像生成文献总结）该网络可以基于人物的图像和新的姿势合成任意姿势的人物图像。主要包括两个关键阶段：姿势集成和图像细化。姿势集成：将图像和目标姿势输入一个类似U网的网络，以生成具有目标姿势的人的初始但粗糙的图像。图像细化：通过对抗的方式训练一个类似于U网的生成器来细化初始模糊的结果。1.姿势集成任务：将条件化人物图像

尹口水每·2022-12-28 00:02

Classifier Guided Diffusion

前言上次已经学习了openAI的DDPM(DDPM原理与代码剖析)和IDDPM(IDDPM原理和代码剖析),以及斯坦福的DDIMDDIM原理及代码(Denoisingdiffusionimplicitmodels).这次来看openAI的另一个作品DiffusionModelsBeatGANsonImageSynthesisgithub:https://github.com/openai/guid

Andy Dennis·2022-12-25 10:11

fast guided filter代码实现与测试

公式推导参考：https://blog.csdn.net/bby1987/article/details/128138418（一篇博客的字数好像有限制，只能把原理和公式分开两篇写）代码实现算法代码下面代码起名为fastguidedfilter.py需特别注意：guide_filter_color模式比guide_filter_gray模式的计算量大很多倍。。。#-*-coding:utf-8-*-

拜阳·2022-12-24 12:18

fast guided filter原理详解

符号标记q:输出图像p:输入图像I:引导图ak,bk:线性变换模型r:滤波半径s:下采样因子q:输出图像\\[2ex]p:输入图像\\[2ex]I:引导图\\[2ex]a_k,b_k:线性变换模型\\[2ex]r:滤波半径\\[2ex]s:下采样因子\\[2ex]q:输出图像p:输入图像I:引导图ak,bk:线性变换模型r:滤波半径s:下采样因子输入图单通道，引导图单通道文章假设滤波结果是对gui

拜阳·2022-12-24 12:17

【极简笔记】VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition

Abstractproposeaunifiedend-to-endtrainablemulti-tasknetworkthatjointlyhandleslaneandroadmarkingdetectionandrecognitionthatisguidedbyavanishingpointunderadverseweatherconditions.提出统一的端到端可训练多任务网络，共同处理在恶

赶考书生jt·2022-12-20 21:07

[论文笔记]pose guided person image generation

PoseGuidedPersonImageGenerationcode1:chuanqichen/deepcoaching:SportsCoachingfromPoseEstimation(github.com)code2:sgoldyaev/DeepFashion.ADGAN(github.com)本文提出了一种名为PG2的人体图像生成网络，其能够将输入图像中人体姿态转换成任意指定的目标姿态。创

zwplus·2022-12-19 20:58

CNN模型解释性（可视化）及实现 ---- Guided-backpropagation, Deconvolution, CAM, Grad-CAM，Grad-CAM++

CNN模型解释性（可视化）及实现----Guided-backpropagation,Deconvolution,CAM,Grad-CAM，Grad-CAM++目录CNN模型解释性（可视化）及实现---

Amberrr-L·2022-12-19 08:52

神经网络的解释方法之GAP、CAM、Grad-CAM、Grad-CAM++的理解

在深度学习的可解释性研究中比较经典的研究方法是采用反卷积（Deconvolution）和导向反向传播（Guided-backpropagation）等。而随着NetworkInNet

牵一发而动全身·2022-12-18 13:46

【论文阅读】GA-RPN：Region Proposal by Guided Anchoring

论文名称：RegionProposalbyGuidedAnchoring作者：JiaqiWang\KaiChen\ShuoYang\ChenChangeLoy\DahuaLin论文地址：https://arxiv.org/pdf/1901.03278.pdf代码：目前未公开发表年份：CVPR20191动机anchor机制是现代目标检测的基石，然而自FasterR-CNN中提出它以来，anchor的

lazerliu·2022-12-18 07:15

论文阅读笔记-AGMB-Transformer: Anatomy-Guided Multi-Branch Transformer Networkfor Automated Evaluation

科研澡·2022-12-18 07:49

用于跨域（Cross-Domain）少样本（ Few-Shot）分类的由解释引导（Explanation-Guided）的训练

Explanation-GuidedTrainingforCross-DomainFew-ShotClassification目录0.摘要0.1关键词和名词解释1.简介2.相关研究2.1Few-shotClassification（FSC）2.2Cross-domainFew-shotClassification（CD-FSC）2.3用于FSC的explanation3.Explanation-g

EDPJ·2022-12-16 23:07

Self-Guided Contrastive Learning for BERT Sentence Representations

文章链接:《Self-GuidedContrastiveLearningforBERTSentenceRepresentations》文章的背景:尽管bert及后续很多优化的变体，但是对用于句子相似度计算的句子如何最优的表征,这块的结论并不是很清晰。比如之前常用的方法是直接取bert的倒数第一层或者倒数第二层的[cls]向量作为句子表征。然而我们实际中拿这个[cls]向量直接计算句子相似度的时候就

chvalrous·2022-12-16 07:22

【论文简述及翻译】StereoNet: Guided Hierarchical Refinement for Real-Time Edge-Aware Depth Prediction（ECCV）

一、论文简述1.第一作者：SamehKhamis2.发表年份：20183.发表期刊：ECCV4.关键词：立体匹配、深度估计、边缘感知改进、代价体滤波、深度学习5.探索动机：目前基于深度学习的深度估计方法需要大量的时间和内存，无法在内存受限的设备上进行实时深度估计。6.工作目标：基于对深度结构的观察，是否可以提出深度的实时网络，能够产生亚像素级别的像素图？7.核心思想：提出第一个用于实时立体匹配的端

华科附小第一名·2022-12-16 00:56

高动态环境下基于随机可及集的Path-Guided APF算法的Motion Planning

kuizhao8951·2022-12-15 15:48

[论文解析] Diffusion Guided Domain Adaptation of Image Generators

projectlink:https://styleganfusion.github.io/文章目录OverviewWhatproblemisaddressedinthepaper?Whatisthekeytothesolution?Whatisthemaincontribution?IntroductionBackgroundLatentdiffusionmodelClassifier-freeg

_Summer tree·2022-12-15 10:04

Geometry-guided Kernel Transformer ——GKT代码复现

1，下载代码：https://github.com/hustvl/GKTgitclonehttps://github.com/hustvl/GKT2,创建环境：condacreate-nGKTpython=3.8-y3,安装依赖：cdsegmentationpipinstall-rrequirements.txt#作者这里写错了pythonsetup.pydevelop此处我在运行最后一条时报错，

weixin_46779338·2022-12-14 14:31

Disp R-CNN Stereo 3D Object Detection via Shape Prior Guided

论文链接：https://arxiv.org/abs/2004.03572代码链接：https://github.com/zju3dv/disprcnn 提出的系统估计一个实例视差图，即仅在前景对象上的像素级视差，用于立体3D对象检测。这种设计可以获得更好的视差估计精度和更快的运行速度。前文DispR-CNN网络相较于一般的3D目标检测模型，不同点主要在：该网络仅估计感兴趣目标的视差；学习特定类

pursue excellence AI·2022-12-13 21:51

【论文阅读】Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation

摘要本文提出了一种新颖的、针对立体图像对的3D目标检测系统——DispR-CNN。近期的许多工作都是首先通过视差估计恢复点云，然后应用3D检测器来解决该问题。视差图是对整张图像计算得到的，不但成本很高，而且未能利用特定类别的先验信息。相比之下，我们设计了一个实例视差估计网络(iDispNet)，该网络仅预测感兴趣目标物体的像素视差，并学习特定类别的形状先验，以获得更精确的视差估计。为克服训练中视差

何处闻韶·2022-12-13 21:48

论文阅读：Disp R-CNN:Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation

DispR-CNN:Stereo3DObjectDetectionviaShapePriorGuidedInstanceDisparityEstimation摘要（理解）作者提出一种用于3D目标检测的名为dispR-CNN的网络。该网络相较于一般的3D目标检测模型，不同点主要在：该网络仅估计感兴趣目标的视差；学习（识别特定的形状先验category-specificshapeprior）以获得更精

VeraWin·2022-12-13 21:45

【3D目标检测】Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation

目录概述细节网络结构实例视差估计网络概述本文是基于双目图像的3D目标检测方法。（双目方法所以看的不太仔细）【2020】【DispR-CNN】研究的问题：以往的工作估计整张视差图，计算量大且无法使用类别具体的先验信息训练中视差标注不足提出的方法：提出一个实例级别的视差估计网络，只在ROI上进行视差估计使用统计形状模型而非激光雷达生成密集的视差标注细节网络结构以下是流程：使用MaskR-CNN的变体做

可乐大牛·2022-12-13 21:13

FGFA训练自己的数据集docker

github：https://github.com/msracver/Flow-Guided-Feature-Aggregationpapers：https://arxiv.org/pdf/1703.10025

qq_44716044·2022-12-12 14:44

[论文解析] Null-text Inversion for Editing Real Images using Guided Diffusion Models

使用引导扩散模型编辑真实图像的空文本反转codelinks：https://null-textinversion.github.io/.Abstract在本文中，我们引入了一种精确的反演技术，从而方便了直观的基于文本的图像修改。我们提出的反演包含两个新的关键组成部分：(i)扩散模型的关键反演。我们为每个时间戳使用单个关键噪声向量，并围绕它进行优化。我们证明了直接反演本身是不够的，但确实为我们的优化

_Summer tree·2022-12-11 14:55

【热成像超分辨率】 Unaligned Guided Thermal Super-Resolution

这篇文章没有找到可以下载的原文，找到了一个ppt。要点一：热成像三个应用方向：仪器检测，全天候视觉，健康看护。要点二：本文的动机：大多数热成像相机有一个可见光相机，而可见光相机有高分辨率，因此利用可见光的RGB相机来对热成像进行一个引导式的超分辨率是可行的。而引导式方法需要进行pixel到pixel的配准（RGB到Thermal），但是由于成像波长的差异，比较难配准。本就就是想要通过设计一个不用配

几维wk·2022-12-11 10:54

【菜鸡读论文】MMNet: Muscle Motion-guided Network for Micro-expression Recognition

MMNet:MuscleMotion-guidedNetworkforMicro-expressionRecognition哈喽，大家好呀，继续更！感觉自己的水平还是有限，最近想开始上手做一些事情，但感觉还是有点力不从心，不过这一周开始接触将Transformer应用在计算机视觉领域，觉得有点亲切，让我想到了大三去做实习的时候，做机器翻译时用到Transformer，当时也是愁的不行，实在是太复杂

猫头丁·2022-12-09 05:00

双边网格学习一：2021cvpr《Ultra-High-Definition Image Dehazing via Multi-Guided Bilateral Learning》

目录背景方法总结背景众所周知，目前深度学习去雾方法速度方面一直是个痛点，难以达到效果和速度兼容。基于此，本论文设计了快速的去雾网络，网络基于双边网格，能够通过提取一种双边网格的数据结构对原始输入图像进行变换和增强，不仅能够恢复出不错的效果，而且在速度上具有一定的优势。上面是该去雾网络的主要架构图，核心采用双边网格，双边网格能够关注色彩突变的物体边界，并能够很好的关注于高频信息。可以看到非常地简洁，

Alocus_·2022-12-08 20:24

记忆引导的无监督图像到图像转换【Memory-guided Unsupervised Image-to-image Translation】

背景：现有方法通常无法处理具有多个不同对象的图像。它们将全局样式应用于整个图像，而没有考虑实例与背景之间或实例内部的较大样式差异。方法：我们提出了一个类感知记忆网络，它明确地解释了本地风格的变化。引入了具有一组读取/更新操作的键值内存结构来记录类别风格的变化。键存储用于分配内存项的与域无关的内容表示，而值对特定于域的样式表示进行编码。我们还提出了一个特征对比损失来提高记忆项目的辨别力。主要创新：分

迁凉·2022-12-08 07:33

车道检测--VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition

VPGNet:VanishingPointGuidedNetworkforLaneandRoadMarkingDetectionandRecognitionICCV2017https://github.com/SeokjuLee/VPGNetCaffecode本文针对车道线和道路指示线检测和识别做了两个事laneandroadmarkingdetectionandrecognition1）建立了一

O天涯海阁O·2022-12-07 12:08

Motion Guided Attention for Video Salient Object Detection论文详读

abstract视频显著目标检测的主要目的是检测出视频中视觉上最突出、最独特的目标，现有的方法没有获取和使用视频中的运动线索，或忽略了光流图像中的空间上下文。本文的方法使用两个子网络分别实现两个子任务，一个子网络(appearancebranches)在静态图像中对显著目标(salientobject)进行检测，另一个子网络(motionbranches)对光流图像中的运动的显著目标(salien

譕訫_·2022-12-03 12:11

【图像分割】RGMP：Fast Video Object Segmentation by Reference-Guided Mask Propagation

文章：FastVideoObjectSegmentationbyReference-GuidedMaskPropagation代码：https://github.com/seoungwugoh/RGMPhttps://github.com/haofengac/RGMP优点：相较于之前的VOS方法，不需要微调或者数据增强和onlineadaptation，以及多数据多流然后特征融合，具有非常快的速度

努力的袁·2022-12-03 12:09

【图像分割】MGA：Motion Guided Attention for Video Salient Object Detection

文章:MotionGuidedAttentionforVideoSalientObjectDetection代码：https://github.com/lhaof/Motion-Guided-Attention

努力的袁·2022-12-03 12:06

Structured Attention Guided Convolutional Neural Fields for Monocular Depth Estimation 论文理解

论文markdown目标：论文理解论文序列2）StructuredAttentionGuidedConvolutionalNeuralFieldsforMonocularDepthEstimation目标：单目相机的rgb图->单目相机的深度图之前写阅读DepthMapPredictionfromaSingleImageusingaMulti-ScaleDeepNetwork论文的感想，因为网络架

夕阳染色的坡道·2022-12-03 08:03

GA-Net: Guided Aggregation Net for End-to-end Stereo Matching

Code：https://github.com/feihuzhang/GANet摘要在立体匹配任务中，匹配损失配准是至关重要的在传统方法和深度神经网络模型中，为了精确估计差异。我们提出了两个新颖的神经网络层，目的去捕获一个局部和全局图像的成本依赖性。第一个是半全局聚集层，它是半监督匹配的一个可微近似，第二个是局部引导聚集层，它是使用了一个传统的损失滤波策略来简化结构。这两层用来代替广泛使用的3D卷

元宇宙MetaAI·2022-12-02 22:59

SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation

SePiCo:Semantic-GuidedPixelContrastforDomainAdaptiveSemanticSegmentationAbstract 之前的许多方法尝试去减轻有噪声的伪标签带来的影响，但是，他们忽略了具有相似语义概念的跨域像素的内在联系。因此，他们将难以处理跨领域的语义变化，并建立一个类别区分的嵌入空间，导致较弱的辨别力和较差的泛化性。在这篇工作中，作者提出了SePi

小白。。。。。。。·2022-12-02 20:28

RESIN: A Dockerized Schema-Guided Cross-document Cross-lingual Cross-media Information Extraction an

RESIN:ADockerizedSchema-GuidedCross-documentCross-lingualCross-mediaInformationExtractionandEventTrackingSystem摘要：我们提出了一种新的信息提取系统，可以从来自多个来源、多种语言(我们的实验中为英语和西班牙语)和多种数据模式(语音、文本、图像和视频)的新闻文档集合中自动构建现时的事件图谱。

精分天秤座的mystery·2022-12-02 19:24

Gradient Domain Guided Image Filtering个人学习笔记

摘要引导式图像滤波器(GIF)以其保边特性和低计算复杂度，是一种著名的局部滤波器。不幸的是，GIF可能会遭受光晕伪影，因为在GIF中使用的局部线性模型不能很好地在某些边缘附近表示图像。本文结合显式的一阶边缘感知约束，提出了一种梯度域GIF。边缘感知约束使边缘被更好地保持下来。为了说明该滤波器的效率，将所提出的梯度域GIF应用于单图像细节增强、高动态范围图像的音调映射和图像显著性检测。理论分析和实验

追梦Hocking·2022-12-02 16:36

论文复现—1—A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction

论文阅读笔记在笔记本上，整体流程在笔记本上做推导，不在电子版存稿了。较为简单。数据加载：我设置5-way-5-shot.pid2name:描述了relation的name和relationdescription。报错提示：显卡不够。我感觉，作者在fewrel数据集上做的实验，更多是为了测试领域迁移下，模型的性能。在一些其他小样本数据集上的实验，可能是真的N-way-k-shot，和fewrel数据

等景，不如找景·2022-12-01 11:55

DIFFUSIONCLIP: TEXT-GUIDED IMAGE MANIPULATION USING DIFFUSION MODELS

韩国高等科学技术研究院github:GitHub-gwang-kim/DiffusionCLIP:[CVPR2022]OfficialPyTorchImplementationforDiffusionCLIP:Text-guided

海柱12·2022-11-29 19:37

论文阅读笔记——StereoNet: Guided Hierarchical Renement for Real-Time Edge-Aware Depth Prediction

引言：谷歌实时端到端双目系统深度学习网络双目匹配可以得到环境中的三维深度信息，进而为机器人，无人车，VR等现实场景下的应用提供有力信息，在对安全验证比较高的人脸支付领域，三维人脸验证也正在逐渐取代安全性较低的二维人脸验证。近年来，深度学习双目系统匹配已经取得了很不错的进展，很多先进的网络性能已经超过传统方法。然而，深度学习双目系统匹配仍然在实用方面面临很多问题，其中一个问题便是无法做到推断实时。这

www.flybird.xyz·2022-11-28 14:44

Pose-guided Visible Part Matching for Occluded Person ReID

AbstractOccludedpersonre-identificationisachallengingtaskastheappearancevariessubstantiallywithvariousobstacles,especiallyinthecrowdscenario.Toaddressthisissue,weproposeaPose-guidedVisiblePartMatching

weixin_43120985·2022-11-27 19:39

[CVPR2022] Back to Reality: Weakly-Supervised 3D Object Detection With Shape-Guided Label Enhancemen

BacktoReality:Weakly-Supervised3DObjectDetectionWithShape-GuidedLabelEnhancement要点：1、弱监督的三维物体检测方法——使用位置级标注训练3D检测器2、BR（backtoreality）：一种更强的监督，利用合成的3D形状，将弱标签转化为全标记的虚拟场景，再反过来使用虚拟标签对真实标签进行补充和细化，以弥补从框标注到中心

nightluo·2022-11-27 18:39

学习笔记：StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators 图像生成器的CLIP引导领域适应

StyleGAN-NADA:CLIP-GuidedDomainAdaptationofImageGenerators图像生成器的CLIP引导领域适应摘要1.背景2.相关工作2.1StyleGAN2.2CLIP2.3StyleCLIP3.方法3.1网络架构3.2基于CLIP的损失3.3自适应层冻结3.4潜在映射器4.实验4.1域外适应4.2潜在空间探索4.3对比实验4.4消融实验5.总结论文链接：h

明天吃啥呀·2022-11-27 11:03

StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators

1.StyleGAN-NADA:CLIP-GuidedDomainAdaptationofImageGenerators（StyleGAN-NADA：图像生成器的CLIP引导域自适应）机构：特拉维夫大学GitHub地址：stylegan-nada.github.io/http://stylegan-nada.github.io/2.摘要：摘要：是否可以训练生成模型从特定领域生成图像，仅由文本提示引

海柱12·2022-11-27 11:02

CL3D: Camera-LiDAR 3D Object Detection With Point Feature Enhancement and Point-Guided Fusion 阅读笔记

IEEETransactionsonIntelligentTransportationSystems智能交通系统领域top期刊一区IF=9.55摘要Camera-LiDAR三维目标检测由于其在许多现实应用中的重要意义而被广泛研究。然而，如何解决两种模式之间的内在数据差异以及如何进行准确的特征融合仍然面临着巨大的挑战。为此，我们提出了一种称为CL3D的双流体系结构，它集成了点增强模块、点引导融合模块

weixin_48493664·2022-11-26 22:22

《GKT：Efficient and Robust 2D-to-BEV Representation Learning via Geometry-guided Kernel Transformer》

参考代码：GKT1.概述介绍：这篇文章介绍了一种基于几何先验在图像特征中寻找referencepoints，同时在该referencepoints处通过预先设置窗口抠取图像特征，并在此基础上使用attention操作实现特征优化，从而获取bev特征的方法。上述通过几何先验寻找referencepoints的方法可以通过lookuptable实现加速，这样整体网络的计算耗时就相对较小，可以跑到很高的

m_buddy·2022-11-25 12:24

三种经典图像滤波方法介绍——双边滤波(Bilateral filter)、导向滤波(Guided Fliter)、滚动导向滤波(RollingGuidedFilter)

文章目录一、前言二、双边滤波(Bilateralfilter)2.1双边滤波的理论介绍及公式推导2.2双边滤波的matlab程序实现三、导向滤波(GuidedFliter)3.1导向滤波的理论介绍及公式推导3.2导向滤波matlab代码实现四、滚动导向滤波(RollingGuidedFilter)4.1滚动导向滤波的理论介绍及公式推导4.2滚动导向滤波matlab程序实现五、总结一、前言滤波作为最

Dark universe·2022-11-24 22:01

Grad-CAM

目录01研究背景02整体架构021Guided-Backpropagation022梯度计算03实验分析031消融实验04结论01研究背景解释技术：为了建立对智能系统的信任，并使其有意义地融入我们的日常生活

younghuup·2022-11-24 05:03

【图像处理】双边滤波算法(bilateral filter)和导向滤波算法(guided filter)

一、双边滤波算法（BilateralFilter）1、原理高斯滤波是以距离为权重，设计滤波模板作为滤波系数，只考虑了像素间的空间位置上的关系，因此滤波的结果会丢失边缘的信息。高斯滤波的缺陷如下图所示：平坦区域正常滤波，图像细节没有变化，而在突变的边缘上，因为只使用了距离来确定滤波权重，导致边缘被模糊。在高斯基础上，进一步优化，叠加了像素值的考虑，因此也就引出了双边滤波，一种非线性滤波，滤波效果对保

zephyrji96·2022-11-24 05:00

【论文笔记】GeDi:Generative Discriminator Guided Sequence Generation

GeDi:GenerativeDiscriminatorGuidedSequenceGeneration文章目录GeDi:GenerativeDiscriminatorGuidedSequenceGenerationAbstractMotivationMainideaandFrameworkClass-ConditionalLanguagemodelingGeDiMuti-topicGeDiExp

Feeedforward·2022-11-24 03:31

Optical Flow Guided Feature（OFF）简单介绍

JoeHEZHAO/Optical-Flow-Guided-Feature-Pytorch:OpticalFlowGuidedFeatureforActionRecognition-Pytorch(github.com

Mr___WQ·2022-11-23 14:29

论文笔记 Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition - CVPR

Semantics-GuidedNeuralNetworksforEfficientSkeleton-BasedHumanActionRecognition2020CVPR|code|PDF|modifiedcodeAbstract由于人体骨骼数据易于获取，基于骨骼的人体动作识别引起了极大的兴趣。最近，有一种趋势是使用非常深的前馈神经网络对关节的3D坐标进行建模，而不考虑计算效率。在这项工作中，我

CiLin-Yan·2022-11-23 03:13

推荐频道

Guided

Pose Guided Person Image Generation（姿态引导的人体图像生成 文献总结）