开发者社区人工智能文章正文

华为ICT——第七章：目标检测与目标分割01

2023-12-11 69

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 华为ICT——第七章：目标检测与目标分割01

目标检测

目标检测是可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置。

目标检测算法（1）

目标检测算法（2）

目标检测性能度量

目标检测算法评估指标

运行速度

准确率和召回率

R-CNN

Fast-CNN

Faster R-CNN

YOLO(1)

YOLO(2)

YOLO v3网络结构：

图像分割：

图像识别任务对比：

图像分割的性能度量：

运动分割：

边缘分割：

连通域分割：

目标分割：

深度学习图像分割：

SegNet:

文章标签：

计算机视觉

算法

机器学习/深度学习

希斯奎

游客iigf2m33ba53k

机器学习/深度学习传感器编解码

一文详解视觉Transformer在CV中的现状、趋势和未来方向（分类/检测/分割/多传感器融合）（中）

本综述根据三个基本的CV任务和不同的数据流类型，全面调查了100多种不同的视觉Transformer，并提出了一种分类法，根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异，论文还评估并比较了不同配置下的所有现有视觉Transformer。此外，论文还揭示了一系列重要但尚未开发的方面，这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出，例如，松散的高级语义嵌入，以弥合视觉Transformer与序列式之间的差距。最后，提出了未来有前景的研究方向。

游客iigf2m33ba53k

1130 0 0

一文详解视觉Transformer在CV中的现状、趋势和未来方向（分类/检测/分割/多传感器融合）（中）

楠竹11

2月前

计算机视觉

CVPR 24：ETH Zurich等团队：重新定义小样本3D分割任务，新基准开启广阔提升潜力！

【7月更文挑战第1天】ETH Zurich团队提出了重新定义小样本3D点云分割任务，聚焦于前景泄漏和稀疏点分布问题。他们提出COSeg方法，利用类特定多原型相关性（CMC）和超相关性增强（HCA），以解决现有方法的局限。此外，通过基础原型校准（BPC）改善模型对基础类的敏感性。实验显示COSeg在性能上有显著提升，但其泛化能力和计算需求仍待优化，且遮挡和噪声等挑战仍有待解决。[论文链接](https://arxiv.org/abs/2403.00592)

楠竹11

44 13 13

楠竹11

3月前

机器学习/深度学习计算机视觉人工智能

用基础模型指导特征传播，首个泛化型图像匹配器OmniGlue搞定未见过域

【6月更文挑战第3天】研究人员提出OmniGlue，首个以泛化为中心的图像匹配器，利用基础模型DINOv2的广泛知识和关键点位置引导的注意力机制，提升未见过图像域的匹配性能。在7个不同图像域的实验中，OmniGlue相对其他模型表现出20.9%的相对增益，优于LightGlue 9.5%。尽管有改进空间，OmniGlue标志着图像匹配技术泛化能力的重要进步。论文链接：https://arxiv.org/pdf/2405.12979

楠竹11

70 2 2

楠竹11

4月前

机器学习/深度学习数据挖掘

西浦、利物浦大学提出：点云数据增强首个全面综述

【5月更文挑战第26天】西交利物浦大学和利物浦大学的研究团队发表了一篇关于点云数据增强的首部全面综述，分析了点云增强技术在缓解深度学习模型过拟合问题上的作用。研究将方法分为基本（如仿射变换、随机丢弃）和高级（混合、对抗性变形）两类，并探讨了各类方法的优缺点及应用场景。尽管基本方法常用，但自动优化组合和参数、多模态增强及性能评估标准仍是挑战。该综述为研究者提供了理解与应用点云增强的指导，但也指出在某些领域的深入探讨尚不足。[arXiv:2308.12113]

楠竹11

108 1 1

-开发达人-

机器学习/深度学习 Web App开发自动驾驶

顺序决策与基础模型如何交叉互惠？谷歌、伯克利等探讨更多可能

-开发达人-

99 0 0

-开发达人-

人工智能计算机视觉

通用视觉GPT时刻来临？智源推出通用分割模型SegGPT

-开发达人-

136 0 0

游客iigf2m33ba53k

机器学习/深度学习传感器编解码

一文详解视觉Transformer在CV中的现状、趋势和未来方向（分类/检测/分割/多传感器融合）（上）

游客iigf2m33ba53k

916 0 1

一文详解视觉Transformer在CV中的现状、趋势和未来方向（分类/检测/分割/多传感器融合）（上）

游客iigf2m33ba53k

机器学习/深度学习人工智能算法

一文尽览！弱监督语义/实例/全景分割全面调研（2022最新综述）（上）

今天分享一篇上交投稿TPAMI的文章，论文很全面的调研了广义上的弱监督分割算法，又涵盖了语义、实例和全景三个主流的分割任务。特别是基于目标框的弱监督分割算法，未来有很大的研究价值和落地价值，相关算法如BoxInst、DiscoBox和ECCV2022的BoxLevelset已经证明了，只用目标框可以实现可靠的分割性能。论文很赞，内容很扎实，分割方向的同学一定不要错过！

游客iigf2m33ba53k

624 1 1

游客iigf2m33ba53k

机器学习/深度学习人工智能算法

一文尽览！弱监督语义/实例/全景分割全面调研（2022最新综述）（下）

游客iigf2m33ba53k

905 0 1

游客iigf2m33ba53k

传感器机器学习/深度学习编解码

多模态传感器融合意味着信息互补、稳定和安全，长期以来都是自动驾驶感知的重要一环。然而信息利用的不充分、原始数据的噪声及各个传感器间的错位（如时间戳不同步），这些因素都导致融合性能一直受限。本文全面调研了现有多模态自动驾驶感知算法，传感器包括LiDAR和相机，聚焦于目标检测和语义分割，分析超过50篇文献。同传统融合算法分类方法不同，本文从融合阶段的不同将该领域分类两大类、四小类。此外，本文分析了当前领域存在的问题，对未来的研究方向提供参考。

游客iigf2m33ba53k

3378 1 1

华为ICT——第七章：目标检测与目标分割01

目标检测

目标检测算法（1）

目标检测算法（2）

目标检测性能度量

目标检测算法评估指标

运行速度

准确率和召回率

R-CNN

Fast-CNN

Faster R-CNN

YOLO(1)

YOLO(2)

YOLO v3网络结构：

图像分割：

图像识别任务对比：

图像分割的性能度量：

运动分割：

边缘分割：

连通域分割：

目标分割：

深度学习图像分割：

SegNet:

热门文章

最新文章

相关课程

相关电子书

相关实验场景