點擊上方「CVer」，選擇「置頂公眾號」
重磅乾貨，第一時間送達
這篇文章有2篇論文速遞，都是圖像分割方向，包括運動捕捉圖像的語義分割、將FCN和GAN結合的鞏膜分割。其中一篇是ACM SIGGRAPH 2018，另一篇是BTAS 2018。。
編輯: Amusi
校稿: Amusi
Amusi 將日常整理的論文都會同步發布到 daily-paper-computer-vision 上。名字有點露骨，還請見諒。喜歡的童鞋，歡迎star、fork和pull。直接點擊「閱讀全文」即可訪問daily-paper-computer-vision。《Dilated Temporal Fully-Convolutional Network for Semantic Segmentation of Motion Capture Data》
ACM SIGGRAPH 2018
Our dilated temporal fully-convolutional neural network (DTFCN) for motion capture segmentation
Abstract：運動捕捉序列的語義分割在許多數據驅動的運動合成框架中起著關鍵作用。 這是一個預處理步驟，其中運動捕捉序列的長記錄被劃分為較小的段。之後，可以將諸如統計建模的其他方法應用於每組結構相似的段以學習抽象運動流形。然而，分段任務通常仍然是手動任務，這增加了生成大規模運動資料庫的工作量和成本。因此，我們提出了一種使用擴張的時間完全卷積網絡的運動捕捉數據的語義分段的自動框架。我們的模型優於action segmentation中的最先進模型，以及用於序列建模的三個網絡。 我們進一步顯示我們的模型對高噪音訓練標籤是魯棒的。
arXiv：https://arxiv.org/abs/1806.09174
《Fully Connected Networks and Generative Neural Networks Applied to Sclera Segmentation》
BTAS 2018
FCN architecture for sclera segmentation
Abstract：由於世界對安全系統的需求，生物識別技術可被視為計算機視覺研究的重要課題。其中一種引起關注的生物識別形式是基於鞏膜的識別。進行這種類型識別的最初和最重要的步驟是分割感興趣的區域，即鞏膜（sclera）。在此背景下，本文介紹了基於完全連接網絡（FCN）和生成對抗網絡（GAN）的兩種方法。FCN類似於常見的卷積神經網絡，然而全連接的層（即分類層）從網絡的末端被移除並且通過組合來自不同卷積層的輸出層來產生輸出。GAN基於博弈論，我們有兩個網絡彼此競爭以產生最佳分割。為了與baselines 進行公平的比較以及對提出的方法進行定量和客觀的評估，我們向科學界提供了來自兩個資料庫的新的1,300個手動分割圖像。這些實驗在UBIRIS.v2和MICHE資料庫上進行，我們命題的最佳表現配置分別實現了F分數的87.48％和88.32％。
arXiv：https://arxiv.org/abs/1806.08722
若大家對 底部廣告 不反感的話
歡迎主動點擊一下文末的廣告，
這是對Amusi 最大的鼓勵！
若喜歡Amusi推送的文章，請掃描下方二維碼關注CVer公眾號！
若大家對 底部廣告 不反感的話
歡迎主動點擊一下文末的廣告，
這是對Amusi 最大的鼓勵！