基于特征通道和空间位置注意力的三维点云特征学习网络

点云模型的分类与部件分割是三维点云数据处理的基本任务,其核心在于获取可以有效表示三维模型的点云特征。提出一个引入注意力机制的三维点云特征学习网络。该网络采用多层次点云特征提取方法,首先使用特征通道注意力模块获取各通道间的关联,增强关键通道信息; 接着引入空间位置注意力机制,基于点的空间位置信息获取各点的注意力权重;然后结合以上2种注意力机制获取增强的点云特征;最后基于该特征继续进行多层次特征提取,获得面向下游任务的点云特征。分别在ModelNet40和ShapeNet数据集上进行形状分类与部件分割实验,结果表明,使用所提方法可以实现高精度、具有鲁棒性的三维点云形状分类与分割。     

多特征提取逐步求精的高速移动目标跟踪算法

传统的高速移动目标跟踪通常使用图像特征描述,不能够根据跟踪场景自适应地选择最优跟踪特征,导致功能模板很容易产生漂移问题.为此,提出一种基于特征融合和逐步求精的高速移动目标跟踪算法.该算法主要包括3个阶段:第1阶段为自适应多特征融合阶段,通过计算跟踪目标每一特征的前景及背景的区分度,获取目标特征的融合模型;第2阶段是基于多特征内核跟踪阶段,在Mean-Shift框架下,引入Epanechnikov函数作为内核函数提升目标区域中心的像素权重比值;第3阶段为目标模型的自适应更新,通过设计一种模板更新策略提高跟踪结果的准确度.仿真实验结果表明,该算法适用于高速目标跟踪.     

基于显著先验的图像前景分割方法

为研究图像中物体的显著先验信息和外观信息对物体轮廓所造成的影响,提出一种图像前景分割方法。通过将频谱余量获得的显著概率先验与基于码书模型的外观先验结合,在一个概率框架下学习得到统一的图像前景概率分布。对于测试图像,通过基于频谱的显著性计算其不同位置处出现前景的概率,计算基于区域内外观模型为前景的概率,综合得到目标区域为前景的概率,该值超过一定阈值即可认为是前景。该方法仅需要较少量的学习,就能够得到一个近似于真值图像的分割结果。在图像分割标准库上进行测试,结果表明,该方法计算简单,速度快,图像分割效果较好。     

一种基于MLP的高效高精度三维视线估计方法

随着卷积神经网络(CNN)在计算机视觉领域的广泛应用，以及大量三维视线数据集的公开，基于表观和深度学习相结合的三维视线估计研究受到越来越多的关注。由于CNN结构复杂，这类方法在实时性要求较高的应用场景中还有待进一步改进。近来兴起的研究表明，网络结构更为简单的多层感知机(MLP)模型能够取得与当前最佳CNN、Transformer模型相当的性能。受此启发，提出了一种基于MLP的高效高精度三维视线估计方法，利用MLP模型对双眼、人脸图像提取特征，之后融合推导出三维视线。实验结果表明，对MPIIFaceGaze数据集和EyeDiap数据集中包含的31位不同相貌的受试者，使用提出的方法UM-Net进行视线估计，视线估计精度比肩基于CNN的，并且在视线估计速度上具有明显优势，在实时性要求较高的领域也有较好的应用前景。