一种基于伪标签的视线估计方法.pdf
岚风****55
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于伪标签的视线估计方法.pdf
本发明涉及一种基于伪标签的视线估计方法,包括以下步骤:获取面部图像;将所述面部图像输入至训练好的视线评估模型中进行预测得到预测视线;其中,所述视线评估模型在训练时,使用少量有标签的真实训练集对模型进行训练,得到预训练模型,根据增加了随机失活层的所述预训练模型对无标签的数据打上伪标签,计算所述伪标签的不确定值,并保留所述不确定值小于阈值的伪标签对应的数据,将保留的伪标签对应的数据和真实训练集一起重新训练模型,如此循环迭代直至训练完毕,得到所述视线评估模型。本发明大大减轻了视线估计对人工标签的依赖性。
一种基于伪标签融合的双目深度估计方法.pdf
本发明涉及自动驾驶技术领域,具体来说是一种基于伪标签融合的双目深度估计方法,包括通过双目相机获得左右图;对左右图进行立体匹配,计算出深度图作为伪标签;还包括:通过深度图和置信度网络对左右图进行训练,获得深度图与置信度图;将深度图、置信度图和立体匹配的深度图结合,放入融合网络;获取融合后的深度图,并与真值计算损失函数,反向传播训练模型。本发明所提供的一种基于伪标签融合的双目深度估计方法,既能保留深度学习方法泛化能力强的优势,又能结合传统方法精度高的优点,使本发明的深度图系统在各场景环境下均能保持良好的精度与
一种基于生成对抗网络的视线估计方法.pdf
本发明中提出的一种基于生成对抗网络的视线估计方法,其主要内容包括:生成纹理、生成真实数据和对眼部进行细化,其过程为,先自动将面部图像与3D模型的水平方向和垂直方向的纹理空间对齐,然后不成对的像素级别域适应技术将合成图像映射到真实域,再使用视线方向的注释和合成数据预训练视线方向估计器,最后在整个映射过程中执行细化网络以保持视线方向,使用预训练网络作为从合成到真实再到合成的转换循环约束。本发明使用新颖的对抗训练方法,将渲染的合成图像映射到逼真的域,可以在实际图像上获得更准确的视线估计,而不需要使用任何来自真实
一种基于伪标签的人脸图像高光去除方法.pdf
本发明涉及图像处理、计算机视觉及深度学习领域,特别涉及一种基于伪标签的人脸图像高光去除方法,包括通过渲染引擎获取合成人脸数据集,与真实带高光人脸图像组成带标签数据集和无标签数据集;使用带标签数据集对卷积神经网络进行训练;使用伪标签的方法,提升神经网络的泛化能力;将带高光的人脸图像输入卷积神经网络,得到去除高光的图片;本发明得到的人脸去高光图像符合人脸观测效果,且不会损伤人脸纹理细节。
一种基于元学习与伪标签策略的增量语义分割方法.pdf
本发明公开了一种基于元学习与伪标签策略的增量语义分割方法,包括:建立模型;表征训练,在每个增量步开始阶段,冻结除了特征提取器外的其他网络结构,利用临时分割头训练特征提取器;知识连接,仅更新掩码生成器与分割头的参数,冻结其他结构的参数,特征提取器提取训练数据的特征,掩码生成器生成掩码对语义分割网络进行分割;知识更新,利用元学习策略训练共享知识库,更新参数,进而获取可重复使用的知识以面对新任务;知识巩固,再次对掩码生成器与分割头进行训练,以巩固共享知识库中的新知识。本发明采用元学习算法可缓解模型对旧任务的遗忘