我们介绍了一种从单视图检测3D镜面的几何启发深度学习方法。我们通过明确地将3D镜几何形状作为学习作为电感来减少对大规模培训数据的需求。我们提取语义特征，计算帧内像素相关性，并为每个平面构建3D相关体积。相关体积指示输入在各种深度以其镜子类似的程度，允许我们识别给定平面是镜面平面的可能性。随后，我们将相关卷视为用于采样平面的特征描述符，并将其映射到单位半球，其中采样平面的正常呈现。最后，我们设计了多级球面卷曲，以粗糙的方式识别最佳镜面。合成和现实世界数据集的实验显示了3D镜像几何形状的好处，以提高数据效率和推论速度（最多25 FPS）。
translated by 谷歌翻译
频率信息位于纹理之间区分的基础上，因此在不同的对象之间。古典CNN架构将频率学习限制通过固定滤波器大小，缺乏明确控制它的方法。在这里，我们建立了具有高斯衍生基础的结构化接收场滤波器。然而，而不是使用预定的衍生顺序，通常导致基本函数的固定频率响应，我们学习这些。我们表明，通过学习基础的顺序，我们可以准确地学习滤波器的频率，因此适应底层学习任务的最佳频率。我们研究了分数衍生物的良好数学制剂，以在训练期间适应过滤频率。与标准CNN和我们构建的标准CNN和高斯衍生CNN滤波器网络相比，我们的配方导致参数节省和数据效率。
translated by 谷歌翻译