如要提出意见建议,请到社区论坛发帖反馈。

约有363篇,以下是第1-10 排序:相关性|最多阅读|最新上传

59
何恺明在CVPR大会上做演讲时的PPT.pdf
SingleImage Haze Removal Using Dark Channel Prior Kaiming He Jian Sun Xiaoou Tang ChineseUniversity
8
2008_CVPR_Best Paper_Beyond Sliding Windows: Object Localization by Efficient Subwindow Search.pdf
BeyondSliding Windows: Object Localization EfficientSubwindow Search Christoph LampertMatthew Blaschk
39
ICCV & CVPR paper reading.ppt
2010.9.17Supervised Translation Supervised Translation--Invariant Invariant Sparse Coding Sparse Cod
7
15. Counting crowded moving objects(CVPR 2006).pdf
 出处/时间:CVPR 2006  适用环境:复杂的拥堵环境(同一类对象,例如:人,动物)  特征/算法:聚类一系列分散的被跟踪特征点,利用一种高度并行的KLT跟踪方法,得到特征轨迹。然后,提出一种调节算法平滑和扩展原始特征轨迹的方法,产生条件轨迹。最后利用局部的刚性制约因素和一个简单的对象模型(标记着真实的对象计数),聚类条件特征成候选对象。  1.1. 特征点计算[18]  1.2. 提高效率  窗口面积的倒数作为计算运动参数的权重  最优化窗口选择  1.3. 特征重现  由于对象之间的遮挡、自身的遮挡、对象消失和景深问题引起的对象特征改变,我们需要重新计算某些区域的特征。然而因为计算量的原因,我们不可能计算所有的空洞。基于空洞中心到最近的特征轨迹的距离产生一个权重,The frame at which we should respawn features is simply the weighted average of the times at which the centers are located.  2. 我们认为尽管各个特征是相互独立的,但是空间上临近的特征是相互影响的。因此,利用完整特征,在时间和空间域延伸轨迹碎片(平均box内的所有特征点轨迹,初始化其他特征点轨迹(the conditioned trajectories)。Figure 3)  3. 聚类特征点轨迹得到对象数量  对象的统计要在一个时间段内去做,以t为中心的时间段[t-n, t+n]。在t时刻所有特征点形成一连通图G,他的边缘可能标识了一个对象。问题就是怎样实现G的分割?  3.1 连通图G  a、得到覆盖对象(所有特征点)的最小bounding box(w, h);  b、定义每个对象衔接因子的计算方法;  c、确定两个特征是否属于一个对象的三个条件(公式3)。  3.2 基于随机抽样一致性算法的合并  一特征在一段时间内属于刚体运动的条件:公式(4);鉴于噪音的影响,满足公式(5)即可。时间轴上的特征点的一致性,跟踪。 
7
Pedestrian detection using wavelet templates(CVPR 1997).pdf
Authorizedlicensed use limited IEEEXplore. Downloaded April26, 2009 21:48from IEEE Xplore. Restricti
16
Visual OdometryDavid Nister, CVPR 2004:视觉odometrydavid部长,大2004.ppt
VisualOdometry David Nister, CVPR 2004 2005. ComputerVision Lab. Young Ki Baik Visual Odometry Compu
8
Bayesian Human Segmentation in Crowded Situations(CVPR 2003).pdf
BayesianHuman Segmentation CrowdedSituations Tao Zhao Ram Nevatia University SouthernCalifornia Inst
8
histograms of oriented gradients for human detection (CVPR 2005).pdf
OrientedGradients HumanDetection Navneet Dalal BillTriggs INRIA Rhˆ one-Alps, 655 avenue de l’Europe
7
03. Counting People without People Models or Tracking(CVPR 2008).pdf
 出处/时间:CVPR 2008  适用环境:远景,运动物体视为刚体。运动方向相对稳定  特征/算法:extract an additional 28 features to model these linearities and non-linearities with the number of people per segment 块特征:面积、周长、边界方向直方图、边界/面积比例 块内部边界特征:所有边界像素个数和、边界方向直方图、Minkowski dimension(see [21] for more details) 纹理特征:描述很简单[16]  前景背景模型/算法:mixture of dynamic textures motion model  合离/算法:  跟踪/算法:  分割/算法:mixture of dynamic textures motion model  统计/算法:Gaussian Process regression 在between features and the number of people per segment之间建立映射关系(线性、非线性关系)  景深:Perspective map:通过视觉建立weight计算模型(相对位置与weight之间的关系)
8
Stein_Object_Partitioning_using_2014_CVPR_paper.pdf
Stein_Object_Partitioning_using_2014_CVPR_paper

向豆丁求助:有没有cvpr?