SUN RGB-D
PulseAugur coverage of SUN RGB-D — every cluster mentioning SUN RGB-D across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的条件丢弃方法提高了RGB-D分割的鲁棒性
研究人员开发了一种名为条件丢弃（Condition Dropout, ConD）的新方法，以提高RGB-D语义分割模型的鲁棒性。这些模型通常需要RGB和深度数据，但实际的传感器故障可能导致其中一种模态缺失。ConD通过在持续训练阶段模拟缺失模态来解决这个问题，这有助于模型在两种模态都存在时更好地利用剩余数据，而不会牺牲性能。在NYU-Depth V2和SUN RGB-D数据集上的实验表明，ConD提高了鲁棒性，甚至在完整模态场景下略微…
-
New LDMR framework tackles model forgetting in 3D object detection
研究人员开发了一个名为学习-动态驱动记忆与回顾（LDMR）的新框架，以解决增量式3D目标检测中模型遗忘的问题。该框架旨在改进检测器在顺序数据中学习新目标类别同时保留先前学习到的知识的方式。LDMR利用每类检测质量的信号来驱动机制，在不同阶段回顾被遗忘的目标，并演化一个用于阶段间知识迁移的记忆库。在SUN RGB-D和ScanNetV2基准上的实验表明，LDMR显著减少了模型遗忘，并且优于现有方法。
-
新的LINet架构可在RGB-D场景分类中实现连续跨模态学习
研究人员推出了一种新颖的多流神经网络（MSNN），名为LINet，用于RGB-D场景分类。与现有离散融合特征的架构不同，LINet在每一层都采用连续集成方法，使用线性集成卷积（LIConv2d）算子。该方法通过特定的常数初始化解决了初始化问题，并使用渐进式模态丢弃来防止训练过程中的通路崩溃。在SUN RGB-D上训练时，LINet在ResNet18规模下达到了45.2%的平均类别准确率，使用ScanNet预训练后提高到49.6%。