用于结构化表面重建的多任务时空神经网络
计算机视觉与模式识别
2018-07-24 v2
摘要
深度学习方法在计算机视觉的广泛问题上已超越传统技术的性能，但几乎所有此类工作都研究消费级照片，其中精确正确的输出通常并不关键。尚不清楚这些技术在需要高精度细粒度输出的结构化预测问题（如科学成像领域）上表现如何。在此我们考虑从极地冰盖采集的回波图雷达数据分割问题，该问题因分割边界往往极弱且噪声程度高而具挑战性。我们提出一种结合 3D ConvNets 与循环神经网络（RNNs）的多任务时空神经网络，从层析雷达图像序列中估计冰面边界。我们表明，我们的模型在此问题上优于当前最优方法，原因在于：（1）无需手工调参；（2）同时提取多个表面（冰-空气与冰-床）；（3）需要更少的非视觉元数据；（4）速度约快 6 倍。
引用
@article{arxiv.1801.03986,
title = {Multi-Task Spatiotemporal Neural Networks for Structured Surface Reconstruction},
author = {Mingze Xu and Chenyou Fan and John D Paden and Geoffrey C Fox and David J Crandall},
journal= {arXiv preprint arXiv:1801.03986},
year = {2018}
}
备注
10 pages, 7 figures, published in WACV 2018