项目名称: 鲁棒模型拟合中的关键问题研究及应用

项目编号: No.61472334

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 王菡子

作者单位: 厦门大学

项目金额: 86万元

中文摘要: 在处理实际的任务时,来自于图像或图像序列的数据可能是不精确的,几乎不可避免会被如传感器噪声、错误的特征提取、错误的特征匹配、分割误差等因素产生的离群数据所污染;而且,数据中也可能包含多个模型结构。这样,计算机视觉领域中的一个重要任务就是从含有大量噪声和多结构的数据中估计出数据中所包含的模型结构的参数,并把属于不同模型结构的数据分割开。然而至今,这依然是一个非常具有挑战性的任务。本项目针对鲁棒拟合方法中存在的不足,拟在三个方面解决参数模型拟合中存在的关键问题:有效地进行样本抽样、自适应地估计模型的内点噪声尺度、以及鲁棒地拟合和分割多结构数据。进而,我们还将把所提出的鲁棒拟合方法应用在计算机视觉任务中(包括自然场景中的文本检测等)。本研究对于提高现有模型拟合方法的鲁棒性和精确度具有重要的理论指导意义,并对计算机视觉中的实际任务(如人脸识别、三维重构、运动估计、图象分割等)有着重要的应用价值。

中文关键词: 计算机视觉;模式识别;鲁棒拟合;参数模型估计;文本检测

英文摘要: When dealing with practical tasks , data from images or image sequences may be inaccurate. It is almost unavoidable that data will be contaminated by the factors such as sensor noises, errors in feature extraction and feature matching, segmentation errors, and so on. Moreover, data may also include multiple model structures. Thus, an important task in the field of computer vision is to estimate the parameters of model structures from data containing a lot of noises and multiple structures, and segment data belonging to different model structures. So far, however , this is still a very challenging task. Considering the shortcomings of the existing robust fitting methods, this project intends to solve three key problems in parametric model fitting: effectively sample data, adaptively estimate the inlier noise scale of a model, and robustly fit and segment multi- structured data. Furthermore, we will apply the proposed robust fitting methods to computer vision tasks (including text detection in natural scenes and so on). The research in this project is theoretically important for guiding to improve the robustness and accuracy of existing robust fitting methods, and has important application values on practical tasks in computer vision (such as face recognition, 3D reconstruction, motion estimation, image segmentation, and so on).

英文关键词: Computer Vision;Pattern Recognition;Robust Fitting;Parametric Model Estimation;Text Detection

成为VIP会员查看完整内容
1

相关内容

计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【CVPR2022】基于鲁棒区域特征生成的零样本目标检测
专知会员服务
10+阅读 · 2022年3月22日
【AAAI2022】一种基于状态扰动的鲁棒强化学习算法
专知会员服务
33+阅读 · 2022年1月31日
视觉识别的无监督域适应研究综述
专知会员服务
30+阅读 · 2021年12月17日
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
专知会员服务
24+阅读 · 2021年7月17日
专知会员服务
16+阅读 · 2021年7月13日
专知会员服务
89+阅读 · 2021年7月9日
【NeurIPS 2020】深度学习的不确定性估计和鲁棒性
专知会员服务
49+阅读 · 2020年12月8日
鲁棒模式识别研究进展
专知会员服务
40+阅读 · 2020年8月9日
综述:图像滤波常用算法实现及原理解析
极市平台
0+阅读 · 2022年1月29日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
领域自适应研究综述
专知
6+阅读 · 2021年5月5日
ECCV2020 | SMAP: 单步多人绝对三维姿态估计
学术头条
10+阅读 · 2020年8月9日
你的算法可靠吗? 神经网络不确定性度量
专知
40+阅读 · 2019年4月27日
读者来稿 | 有效遮挡检测的鲁棒人脸识别
计算机视觉战队
19+阅读 · 2019年3月28日
迁移自适应学习最新综述,附21页论文下载
基于数据的分布式鲁棒优化算法及其应用【附PPT与视频资料】
人工智能前沿讲习班
26+阅读 · 2018年12月13日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
26+阅读 · 2020年2月21日
Arxiv
12+阅读 · 2018年1月28日
小贴士
相关VIP内容
【CVPR2022】基于鲁棒区域特征生成的零样本目标检测
专知会员服务
10+阅读 · 2022年3月22日
【AAAI2022】一种基于状态扰动的鲁棒强化学习算法
专知会员服务
33+阅读 · 2022年1月31日
视觉识别的无监督域适应研究综述
专知会员服务
30+阅读 · 2021年12月17日
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
专知会员服务
24+阅读 · 2021年7月17日
专知会员服务
16+阅读 · 2021年7月13日
专知会员服务
89+阅读 · 2021年7月9日
【NeurIPS 2020】深度学习的不确定性估计和鲁棒性
专知会员服务
49+阅读 · 2020年12月8日
鲁棒模式识别研究进展
专知会员服务
40+阅读 · 2020年8月9日
相关资讯
综述:图像滤波常用算法实现及原理解析
极市平台
0+阅读 · 2022年1月29日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
领域自适应研究综述
专知
6+阅读 · 2021年5月5日
ECCV2020 | SMAP: 单步多人绝对三维姿态估计
学术头条
10+阅读 · 2020年8月9日
你的算法可靠吗? 神经网络不确定性度量
专知
40+阅读 · 2019年4月27日
读者来稿 | 有效遮挡检测的鲁棒人脸识别
计算机视觉战队
19+阅读 · 2019年3月28日
迁移自适应学习最新综述,附21页论文下载
基于数据的分布式鲁棒优化算法及其应用【附PPT与视频资料】
人工智能前沿讲习班
26+阅读 · 2018年12月13日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员