我读Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations
来源:互联网 发布:js制作简单的树形菜单 编辑:程序博客网 时间:2024/05/17 05:38
- 背景介绍
- 本文贡献
- 实现方法
- 数据采集
- FtextbfF的初始化
- Normal-aware lighting correction
- 相机几何校正
- Low-rank变化检测
- Coarse-to-fine优化以及最终结果
- 实验结果
背景介绍
文章标题:Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations,ICCV 2015,暂无主页,PDF,Code&Dataset1。
本文贡献
所有的变化检测都是针对大尺度、且识别的主体具有显著性的图片进行检测,本文提出的方法可以在毫米级别对差异进行检测。本文起点是相机已经对同一场景拍摄了两组照片2,每组照片相机参数不变,环境光变化。这样子变化检测就可以认为只由一下三个方面影响:
- 环境光
- 相机+镜头的几何畸变
- 被拍摄物体的真实变化
本文就针对以上三点提出了一种从粗到精细、最终使用最小化rank进行变化检测的方法。
实现方法
在讲述方法前,先回顾一下本文目标、前提条件、以及难点。目标是做精细的变化检测,前提条件是相同位置拍摄的两组图片,且两幅图片位置相差几乎很小,每组照片有
难点就是上面说的三个影响因素,我们记一下符号表示:
本文使用到的方法是coarse-to-fine的方法迭代的对上面的三个影响因素求解。为保证结果的准确性,先简单介绍了一下相机重定位的原理。整体流程见图2。
1. 数据采集
就是相机重定位的过程,假设上一次拍了一组照片
2. F 的初始化
因为
其中
3. Normal-aware lighting correction
上小节假设加的是全局环境光,本小节假设加了局域光,用到Lambertian reflectance model,对每个像素
第二个等号后面,第一项
第一个求和符号保证的是拟合程度高,其中
第二个求和符号项鼓励局域光平滑性好。
于是我们得到局域光调整过后的图片
4. 相机几何校正
引用自Sift flow: Dense correspondence across scenes and its applications,改了一下能量方程:
具体实现可以看一下被引用的文章4。本文里说使用1小节中的方法就可以初始化
此步骤后图片的标记变为
5. Low-rank变化检测
重点来啦,各位请打起精神,这一节我们就会得到一个变化概率图像。
首先,两组图像根据环境光两两匹配,对第i对图像我们就有两列矩阵
然后建立了目标方程:
稍微解释一下,
最后把
6. Coarse-to-fine优化以及最终结果
图2很直观,差不多3到5个循环3-5小节的步骤就能结果收敛,这时候简单的对
实验结果
颐和园数据集
实验室内壁画试块数据集
雕像数据集
金字塔模型不同层数的 F-1 measure
- 这篇文章主要作者均为本人研究生所在项目组人员,一作是小编的导师,二三四作是师弟,五作是师娘,六作为项目负责人。本项目源自敦煌研究院联合天津大学共同完成的一个文物保护项目,本项目的目标是对敦煌壁画进行病害监测,部分内容涉密。 ↩
- 共分为两步,粗定位和精细定位,粗定位的两种方法已经申请发明专利,精细定位方法涉及多极几何,软硬件均为本文作者与孙高工、岳师弟共同完成。 ↩
- 另外一种对细微变化检测的方式是使用相机从多角度拍摄后3D建模,但是多光照和多相机姿态太太太具有挑战性了,并且3D建模的变化检测结果误差太大(不能保证pixel-level的检测,你懂的)。 ↩
- Liu, Ce, Jenny Yuen, and Antonio Torralba. “Sift flow: Dense correspondence across scenes and its applications.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 33.5 (2011): 978-994. ↩
- Lin, Zhouchen, et al. “Fast convex optimization algorithms for exact recovery of a corrupted low-rank matrix.” Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP) 61 (2009).
[^cite3]: Liu, Guangcan, et al. “Robust recovery of subspace structures by low-rank representation.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 35.1 (2013): 171-184. ↩
- 我读Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations
- Fast detection of multiple objects in traffic scenes with a common detection framework
- fine-grained & coarse grained
- Part-based R-CNNs for Fine-grained Category Detection(精读)
- Learning Fine-grained Image Similarity with Deep Ranking(泛读)
- Fine-Grained Recognition with Automatic and Efficient Part Attention
- Learning Deep Representations of Fine-Grained Visual Descriptions
- 论文提要“Part-based R-CNNs for Fine-grained Category Detection”
- SPDA-CNN:Unifying Semantic Part Detection and Abstraction for Fine-grained Recognition
- 论文阅读(3)--SPDA-CNN: Unifying Semantic Part Detection and Abstraction for Fine-grained Recognition
- 论文阅读笔记 SPDA-CNN: Unifying Semantic Part Detection and Abstraction for Fine-grained Recognition
- Fine-Grained Crowdsourcing for Fine-Grained Recognition(精读)
- OCP-042 fine-grained Auditing
- TheServerSide:Liferay Portal 4.0 released with new fine-grained security model
- 阅读小结:Fine-Grained Recognition with Automatic and Efficient Part Attention
- LiFS: Low Human-Effort, Device-Free Localization with Fine-Grained Subcarrier Information
- 噪声数据-The Unreasonable Effectiveness of Noisy Data for Fine-Grained Recognition
- The Application of Two-level Attention Models in CNN for Fine-grained Image Classification
- windows下mysql每天定时备份数据库几种方法
- IPO笔记之:关于自然人股东投资移民变更身份对IPO事宜之影响
- 011.商品打折
- 4.Python对象
- Saas行业下的测试随笔
- 我读Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations
- Trie树
- Java里面知识点 总结
- Spark RDD 笛卡尔积
- srand()函数的应用
- 开博第一天
- 加密解密(DES,AES)
- 64位 Fedora 22环境下搭载 mini2440 开发环境
- python_1(对象,变量名,函数,分隔符,换行)