51篇最新CV領域綜述論文速遞!涵蓋14個方向:目標檢測/圖像分割/醫學影像/人臉識別等方向

2022-01-04 極市平臺
圖像分割

【1】Unsupervised Domain Adaptation in Semantic Segmentation: a Review
標題：語義分割中的無監督自適應研究進展
作者：Marco Toldo,  Pietro Zanuttigh
連結：https://arxiv.org/abs/2005.10876

【2】A survey of loss functions for semantic segmentation
標題：語義分割損失函數綜述
作者：Shruti Jadon
連結：https://arxiv.org/abs/2006.14822

【3】A Survey on Instance Segmentation: State of the art
標題：實例分割技術綜述
作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat
連結：https://arxiv.org/abs/2007.00047

人臉識別/檢測

【4】Deep Learning Based Single Sample Per Person Face Recognition: A Survey
標題：基於深度學習的單樣本人臉識別研究綜述
作者：Delong Chen,  Zewen Li
連結：https://arxiv.org/abs/2006.11395

【5】A survey of face recognition techniques under occlusion
標題：遮擋下的人臉識別技術綜述
作者：Dan Zeng,  Luuk Spreeuwers
連結：https://arxiv.org/abs/2006.11366

本文介紹了現有的面部識別方法如何解決遮擋問題，並將其分為三類：1）遮擋魯棒特徵提取方法；2）遮擋感知的面部識別方法；3）基於遮擋恢復的面部識別方法。共引用193篇文獻。

【6】Biometric Quality: Review and Application to Face Recognition with FaceQnet
標題：生物特徵質量：FaceQnet在人臉識別中的應用
作者：Javier Hernandez-Ortega, Laurent Beslay
連結：https://arxiv.org/abs/2006.03298

【7】Threat of Adversarial Attacks on Face Recognition: A Comprehensive  Survey
標題：對抗攻擊對人臉識別的威脅：綜述
作者：Fatemeh Vakhshiteh,  Ahmad Nickabadi
連結：https://arxiv.org/abs/2007.11709

本文對針對人臉識別系統的對抗性攻擊進行了全面研究，詳細闡述了針對這些系統的新對策，並根據不同的標準提出並比較了現有攻防策略的分類法。

【8】Cross-ethnicity Face Anti-spoofing Recognition Challenge: A Review
標題：跨種族人臉反欺騙識別挑戰：綜述
作者：Ajian Liu, Stan Z. Li
連結：https://arxiv.org/abs/2004.10998

【9】The Creation and Detection of Deepfakes: A Survey
標題：深度偽裝的產生與檢測：綜述
作者：Yisroel Mirsky, Wenke Lee
連結：https://arxiv.org/abs/2004.11138

圖像識別

【10】Visual Relationship Detection using Scene Graphs: A Survey
標題：基於場景圖的視覺關係檢測研究綜述
作者：Aniket Agarwal, Vipul
連結：https://arxiv.org/abs/2005.08045

本文對場景圖生成的各種技術，它們表示視覺關係的效率以及如何用於解決各種下遊任務的方法進行了詳細的研究，並分析了該領域未來可能發展的各種未來方向。共引用95篇文獻。

【11】Deep learning for scene recognition from visual data: a survey
標題：從視覺數據中進行場景識別的深度學習：綜述
作者：Alina Matei, Estefania Talavera
連結：https://arxiv.org/abs/2007.01806

概述了可用於圖像和視頻場景識別的數據集、研究論文、集成技術。

【12】Automatic Target Recognition on Synthetic Aperture Radar Imagery: A  Survey
標題：合成孔徑雷達圖像目標自動識別綜述
作者：Kechagias-Stamatis
連結：https://arxiv.org/abs/2007.02106

軍事應用的自動目標識別（ATR）是增強情報員和自主運行的軍事平臺的核心過程。本文對當前的SAR ATR體系結構進行調查和評估，採用SAR域中最受歡迎的數據集-移動和固定目標獲取與識別（MSTAR）數據集。提出了SAR ATR體系結構的分類法，並比較了標準方法和擴展操作條件下每種方法的優缺點。共引用151篇文獻。

【13】Deep Learning for Change Detection in Remote Sensing Images:  Comprehensive Review and Meta-Analysis
標題：遙感圖像變化檢測的深度學習：綜合評述和Meta分析
作者：Lazhar Khelifi,  Max Mignotte
連結：https://arxiv.org/abs/2006.05612

3D相關

【14】A Quick Review on Recent Trends in 3D Point Cloud Data Compression Techniques and the Challenges of Direct Processing in 3D Compressed Domain
標題：回顧3D點雲數據壓縮技術的最新趨勢和3D壓縮域中的挑戰
作者：Mohammed Javed, Pavan Chakraborty
連結：https://arxiv.org/abs/2007.05038

由於以3D點雲形式（使用雷達）生成的數據量非常大，因此研究人員正設法發明新的數據壓縮算法來處理。壓縮域處理，即可以直接對壓縮數據進行操作分析而不涉及解壓縮和重新壓縮的算法是新穎的。本文回顧了LiDAR生成3D點雲數據壓縮域的最新進展，並重點介紹3D點雲數據壓縮域處理的未來挑戰。

【15】Autonomous Driving with Deep Learning: A Survey of State-of-Art Technologies
標題：基於深度學習的自主駕駛：技術現狀綜述
作者：Yu Huang, Yue Chen
連結：https://arxiv.org/abs/2006.06091

本文研究了自動駕駛系統的主要領域，如感知，映射和定位，預測，計劃和控制，仿真，V2X和安全性等。並重點分析2D和感知中的3D目標檢測，攝像頭的深度估計，數據，特徵和多傳感器融合等。共引用351篇文獻。

【16】Review on 3D Lidar Localization for Autonomous Driving Cars
標題：自動駕駛汽車三維雷射雷達定位技術綜述
作者：Mahdi Elhousni,  Xinming Huang
連結：https://arxiv.org/abs/2006.00648

【17】Deep Learning for LiDAR Point Clouds in Autonomous Driving: A Review
標題：自主駕駛中LiDAR點雲的深度學習：綜述
作者：Ying Li, Michael A. Chapman
連結：https://arxiv.org/abs/2005.09830

本文總結了最近五年的140多項關鍵貢獻，包括裡程碑式3D深度架構，在3D語義分割，目標檢測和分類中出色的深度學習應用程式；數據集，評估指標和最新技術水平。共147篇文獻。

【18】Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A  Review
標題：自動駕駛中圖像與點雲融合的深度學習：綜述
作者：Yaodong Cui,  Dongpu Cao
連結：https://arxiv.org/abs/2004.05224

本文致力於回顧最近利用圖像和點雲的基於深度學習的數據融合方法。簡要概述了關於圖像和點雲數據處理的深度學習，對相機-LiDAR融合方法、目標檢測，語義分割和跟蹤進行了深入分析比較。

【19】A Survey on Deep Learning Techniques for Stereo-based Depth Estimation
標題：基於立體的深度估計深度學習技術綜述
作者：Hamid Laga,  Mohammed Bennamoun
連結：https://arxiv.org/abs/2006.02535

本文對基於立體的深度估計這一新的且不斷發展的研究領域進行了全面調查，總結了最常用的pipeline，並討論了它們的好處和局限性。共引用157篇文獻。

醫學影像

【20】A scoping review of transfer learning research on medical image analysis using ImageNet
標題：利用ImageNet進行醫學圖像分析的遷移學習研究述評
作者：Mohammad Amin Morid, Guilherme Del Fiol
連結：https://arxiv.org/abs/2004.13175

【21】Deep Learning Based Brain Tumor Segmentation: A Survey
標題：基於深度學習的腦腫瘤分割研究綜述
作者：Zhihua Liu, Huiyu Zhou
連結：https://arxiv.org/abs/2007.09479

本文對近期基於深度學習的腦腫瘤分割技術進行全面總結。涵蓋了不同方法的優缺點，預處理，數據集和評估指標等。共129篇文獻。

【22】A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis
標題：基於神經成像的腦疾病分析深度學習研究綜述
作者：Li Zhang, Daoqiang Zhang
連結：https://arxiv.org/abs/2005.04573

【23】A review: Deep learning for medical image segmentation using  multi-modality fusion
標題：多模態融合用於醫學圖像分割的深度學習綜述
作者：Tongxue Zhou,  Stéphane Canu
連結：https://arxiv.org/abs/2004.10664

【24】Medical Instrument Detection in Ultrasound-Guided Interventions: A Review
標題：超聲引導治療的醫療器械檢測
作者：Hongxu Yang, Peter H. N. de With
連結：https://arxiv.org/abs/2007.04807

【25】A Survey on Domain Knowledge Powered Deep Learning for Medical Image Analysis
標題：域知識驅動的醫學圖像深度學習研究綜述
作者：Xiaozheng Xie, Shaojie Tang
連結：https://arxiv.org/abs/2004.12150

本文總結了將深度學習模型引入醫學領域知識以完成各種任務（如疾病診斷，病變，器官和異常檢測，病變和器官分割）的最新進展。共引用268篇文獻。

【26】A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction
標題：腦腫瘤的端到端分割和總體生存預測方法綜述
作者：Snehal Rajput, Mehul S Raval
連結：https://arxiv.org/abs/2006.01632

目標檢測

【27】Foreground-Background Imbalance Problem in Deep Object Detectors: A Review
標題：深度目標檢測器中前景-背景不平衡問題綜述
作者：Joya Chen, Tong Xu
連結：https://arxiv.org/abs/2006.09238

本文研究了不平衡問題解決方案的最新進展。分析了包括一階段和兩階段在內的各種深度檢測器中不平衡問題的特徵。將現有解決方案分為兩類：抽樣和非抽樣方案，並在COCO上進行了實驗對比。

GAN/對抗式/生成式

【28】A Survey on Generative Adversarial Networks: Variants, Applications, and  Training
標題：生成性對抗網絡綜述：變體、應用和培訓
作者：Abdul Jabbar,  Bourahla Omar
連結：https://arxiv.org/abs/2006.05132

【29】Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments
標題：生成性對抗網絡(GANS)：理論模型，評估度量和最新發展綜述
作者：Pegah Salehi, Maryam Taghizadeh
連結：https://arxiv.org/abs/2005.13178

【30】Regularization Methods for Generative Adversarial Networks: An Overview  of Recent Studies
標題：生成性對抗網絡的正則化方法：近期研究綜述
作者：Minhyeok Lee,  Junhee Seok
連結：https://arxiv.org/abs/2005.09165

【31】Universal Adversarial Perturbations: A Survey
標題：普遍對抗擾動：綜述
作者：Ashutosh Chaubey, Pramod Mehta
備註：20 pages, 17 figures
連結：https://arxiv.org/abs/2005.08087

文本檢測與識別

【32】Text Detection and Recognition in the Wild: A Review
標題：野外文本檢測與識別研究綜述
作者：Zobeir Raisi, John Zelek
連結：https://arxiv.org/abs/2006.04305

本文不僅對有關場景文本檢測和識別的最新進展進行了回顧，還介紹了用統一工具進行廣泛實驗的結果評估框架，用於評估案例選定方法的預訓練模型。其次，確定用於檢測或識別野外圖像中文本的幾個現有挑戰：平面內旋轉，多方向和多解析度文本，透視變形，照明反射，部分遮擋，複雜字體和特殊字符。共引用193篇文獻。

【33】Text Recognition in the Wild: A Survey
標題：野外文本識別研究綜述
作者：Xiaoxue Chen,  Tianwei Wang
連結：https://arxiv.org/abs/2005.03492

【34】Survey on Deep Learning-based Kuzushiji Recognition
標題：基於深度學習的Kuzushiji識別研究綜述
作者：Kazuya Ueki, Tomoka Kojima
連結：https://arxiv.org/abs/2007.09637

姿態估計

【35】Monocular Human Pose Estimation: A Survey of Deep Learning-based Methods
標題：單目人體姿態估計：基於深度學習的方法綜述
作者：Yucheng Chen, Mingyi He
連結：https://arxiv.org/abs/2006.01423

本文回顧了自2014年以來發布的基於深度學習的2D和3D人體姿勢估計方法。概述了挑戰，主要框架，基準數據集，評估指標，性能比較，並討論了未來研究方向。

圖像去噪

【36】Learning from Noisy Labels with Deep Neural Networks: A Survey
標題：基於深度神經網絡的噪聲標籤學習研究綜述
作者：Hwanjun Song, Jae-Gil Lee
連結：https://arxiv.org/abs/2007.08199

本文對46種最先進的基於深度神經網絡的噪聲標籤學習訓練方法進行了全面回顧，將這些方法分為7組，系統比較了6種特性，並總結了常用的評估方法。共引用113篇文獻。

視頻相關

【37】Movement Assessment from Skeleton Videos: A Review
標題：基於骨骼視頻的運動評估研究進展
作者：Tal Hakim
連結：https://arxiv.org/abs/2007.10737

本文回顧了骨骼視頻自動運動評估的最新解決方案，並根據其目標，功能，運動域和算法方法進行了比較。

【38】A Review on Deep Learning Techniques for Video Prediction
標題：視頻預測深度學習技術綜述
作者：Sergiu Oprea,  Antonis Argyros
連結：https://arxiv.org/abs/2004.05214

本文對視頻序列中預測的深度學習方法進行了綜述：定義視頻預測的基礎知識，背景概念和常用的數據集，同時分析對比了現有視頻預測模型，總結了它們的貢獻、並指出未來研究方向。共引用241篇文獻。

異常檢測

【39】Deep Learning for Anomaly Detection: A Review
標題：異常檢測的深度學習：綜述
作者：Guansong Pang,  Anton van den Hengel
連結：https://arxiv.org/abs/2007.02500

本文綜述了利用全面的檢測方法分類法進行的深度異常檢測的研究，涵蓋了該方法的3個類別和11個細粒度類別的研究進展。綜述目標功能，基本假設，優點和缺點，並進一步討論了未來機會以及挑戰。

【40】A Survey of Single-Scene Video Anomaly Detection
標題：單場景視頻異常檢測綜述
作者：Bharathkumar Ramachandra,  Ranga Raju Vatsavai
連結：https://arxiv.org/abs/2004.05993

神經網絡訓練

【41】Mixing Real and Synthetic Data to Enhance Neural Network Training -- A  Review of Current Approaches
標題：混合真實數據和合成數據加強神經網絡訓練-當前方法綜述
作者：Viktor Seib,  Stefan Wirtz
連結：https://arxiv.org/abs/2007.08781

深度神經網絡在許多計算機視覺任務中已變得極為重要。本文回顧比較了多種不同技術，以提高訓練效果而無需獲取更多真實標註數據。

【42】Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey
標題：用幾何先驗知識增強深度神經網絡：綜述
作者：Matthias Rath, Alexandru Paul Condurache
連結：https://arxiv.org/abs/2006.16867

受卷積神經網絡（CNN）在計算機視覺任務中成功的啟發，一個有前景的領域是將關於要解決問題的對稱幾何變換的知識併入其中。這保證了更高的數據效率和更容易解釋的過濾器響應。本文概述了將幾何先驗知識納入DNN的不同方法。並嘗試將這些方法連接到3D目標檢測領域。

視覺常識/其他

【43】Backdoor Attacks and Countermeasures on Deep Learning: A Comprehensive Review
標題：深度學習的後門攻擊及其對策綜述
作者：Yansong Gao, Hyoungshick Kim
連結：https://arxiv.org/abs/2007.10760

【44】Survey on Deep Multi-modal Data Analytics: Collaboration, Rivalry and  Fusion
標題：深度多模態數據分析綜述：協作、競爭和融合
作者：Yang Wang
連結：https://arxiv.org/abs/2006.08159

【45】Towards Robust Pattern Recognition: A Review
標題：面向穩健模式識別的研究進展
作者：Xu-Yao Zhang, Ching Y. Suen
連結：https://arxiv.org/abs/2006.06976

【46】A survey on deep hashing for image retrieval
標題：用於圖像檢索的深度散列技術綜述
作者：Xiaopeng Zhang
連結：https://arxiv.org/abs/2006.05627

【47】Finger Texture Biometric Characteristic: a Survey
標題：手指紋理生物特徵研究綜述
作者：Raid R. O. Al-Nima, Jonathon Chambers
連結：https://arxiv.org/abs/2006.04193

【48】A Concise Review of Recent Few-shot Meta-learning Methods
標題：元學習方法的簡要評述
作者：Xiaoxu Li,  Zhanyu Ma
連結：https://arxiv.org/abs/2005.10953

【49】A Survey on Unknown Presentation Attack Detection for Fingerprint
標題：指紋未知呈現攻擊檢測研究綜述
作者：Jag Mohan Singh, Raghavendra Ramachandra
連結：https://arxiv.org/abs/2005.08337

【50】A Survey on Visual Sentiment Analysis
標題：視覺情感分析綜述
作者：Alessandro Ortis,  Sebastiano Battiato
連結：https://arxiv.org/abs/2004.11639

【51】On the Synergies between Machine Learning and Stereo: a Survey
標題：機器學習與立體視覺的協同作用研究綜述
作者：Matteo Poggi,  Stefano Mattoccia
連結：https://arxiv.org/abs/2004.08566

【52】A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence
標題：定位與製圖深度學習綜述：邁向空間機器智能時代
作者：Changhao Chen, Andrew Markham
連結：https://arxiv.org/abs/2006.12567

【53】Deep Learning for Vision-based Prediction: A Survey
標題：基於視覺預測的深度學習研究綜述
作者：Amir Rasouli
連結：https://arxiv.org/abs/2007.00095

【54】A Brief Review of Deep Multi-task Learning and Auxiliary Task Learning
標題：淺談深度多任務學習和輔助任務學習
作者：Partoo Vafaeikia, Farzad Khalvati
連結：https://arxiv.org/abs/2007.01126

在極市平臺後臺回復0724綜述，即可獲取上述論文打包下載連結。

相關焦點

  • 51 篇最新 CV 領域綜述論文速遞!涵蓋 14 個方向:目標檢測/圖像分割/醫學影像/人臉識別等方向
    簡要概述了關於圖像和點雲數據處理的深度學習，對相機-LiDAR融合方法、目標檢測，語義分割和跟蹤進行了深入分析比較。作者：Xiaozheng Xie, Shaojie Tang連結：https://arxiv.org/abs/2004.12150本文總結了將深度學習模型引入醫學領域知識以完成各種任務（如疾病診斷，病變，器官和異常檢測，病變和器官分割）的最新進展。
  • 【CV】54篇最新CV領域綜述論文速遞!涵蓋14個方向:目標檢測/圖像分割/醫學影像/人臉識別等方向
    簡要概述了關於圖像和點雲數據處理的深度學習，對相機-LiDAR融合方法、目標檢測，語義分割和跟蹤進行了深入分析比較。作者：Xiaozheng Xie, Shaojie Tang連結：https://arxiv.org/abs/2004.12150本文總結了將深度學習模型引入醫學領域知識以完成各種任務（如疾病診斷，病變，器官和異常檢測，病變和器官分割）的最新進展。
  • 25 篇最新 CV 領域綜述性論文速遞!涵蓋 15 個方向:目標檢測/圖像處理/姿態估計/醫學影像/人臉識別等
    基於深度學習(DL)的目標檢測已經取得了很大的進展，這些方法通常假設有大量的帶標籤的訓練數據可用，並且訓練和測試數據從相同的分布中提取。然而，這兩個假設在實踐中並不總是成立的。深域自適應目標檢測(DDAOD)作為一種新的學習範式應運而生。本文綜述了深域自適應目標檢測方法的研究進展。
  • 100個深度圖像分割算法,紐約大學UCLA等最新綜述論文
    最近來自紐約大學、滑鐵盧大學、UCLA等學者發布了深度學習圖像分割最新綜述論文<Image Segmentation Using Deep Learning: A Survey>，涵蓋20頁pdf168篇參考文獻，調研了截止2019年提出的100多種分割算法，共分為10類方法。
  • 大盤點 | 2020年5篇圖像分割算法最佳綜述
    本文研究了這些深度學習模型的相似性，優勢和挑戰，研究了使用最廣泛的數據集，報告了性能，並討論了該領域有希望的未來研究方向。2014年至2020年基於DL的2D圖像分割算法的時間軸。橙色，綠色和黃色塊分別表示語義，實例和全景分割算法。
  • ECCV 2020 | 騰訊優圖8篇論文入選,涵蓋目標跟蹤、人臉識別等領域
    近日，計算機視覺方向的三大國際頂級會議之一的ECCV 2020公布論文獲獎結果。本次ECCV 2020有效投稿5025篇，最終被接受發表論文1361篇，錄取率為27%，較上屆有所下降。其中，oral的論文數為104篇，佔提交總量的2%；spotlight的數目為161篇，佔提交總量的5%；其餘論文均為poster。
  • 前沿速遞3 | 北大3D骨架行為識別綜述 | 深度域適應目標檢測綜述 | 股票預測 | 遙感圖像等[2.23]
    Image-to-Image Translation Inria1.北大3D骨架行為識別綜述北大寫的基於3D Skeleton的行為識別的綜述，反正現在水行為識別的paper辣麼多，不如看個綜述吧……標題：A Survey on 3D Skeleton-Based
  • 最全綜述 | 圖像分割算法
    ResNet+FCN；full-resolution residual network(FRRN)：FRRN網絡具有和ResNet相同優越的訓練特性，它由殘差流和池化流兩個處理流組成；AdapNey：根據ResNet-50的網絡進行改進，讓原本的ResNet
  • 深睿研究院8篇論文入選CVPR2019,圖像識別與醫學影像分析等技術...
    CVPR( Conference on Computer Vision and Pattern Recognition)作為行業最頂級的研究型會議，每年被收錄的論文均來自計算機視覺領域頂級團隊，代表著國際最前沿的科研技術，並指引著計算機視覺領域未來的研究方向。本屆CVPR總共錄取來自全球頂級學術論文1299篇，中國團隊表現不俗。
  • AAAI 2021 目標檢測論文大盤點(YOLObile/R3Det/StarNet等)
    AAAI 2021 有效投稿數為9034，最終收錄1692篇論文，錄取率是21%。CVer 將正式系列整理 AAAI 2021的大盤點工作。雖然AAAI 論文收錄數量很多，但其是AI大類的頂會，涵蓋了CV、NLP和ML等方向，所以真正屬於CV的論文並沒有特別多。
  • ICCV 引用量最高的10篇論文!何愷明兩篇一作論文:Mask R-CNN和PReLU,Facebook佔據四席!
    各位CVers反映內容很贊，於是Amusi 快速整理了ICCV 引用量最高的10篇論文。在谷歌發布的2020年的學術指標（Scholar Metrics）榜單，ICCV 位列總榜第29位，是計算機視覺領域排名第二的大會！
  • 最新!CVPR 2021 視覺Transformer論文大盤點(43篇)
    Amusi 認為引爆CV圈 Transformer熱潮的有兩篇最具代表性論文，即ECCV 2020的DETR（目標檢測）和 ICLR 2021的ViT（圖像分類）。跟著DETR和ViT兩篇論文的時間線，就能猜測到CVPR 2021上會湧現一大批視覺Transformer的工作。
  • 一文看盡10篇論文的開源項目(檢測/分割/Transformer等)
    先恭喜各位論文被收錄的同學。ICCV 2021 最終收錄1617篇論文，錄取率是25.9%。Amusi 第一時間整理了 10多篇 ICCV 2021論文，這裡對已公開github連結的論文進行盤點（有連結，不一定有代碼哈）。
  • 顏水成、黃亮等新論文;目標檢測最新SOTA;NLP全面綜述
    機器之心整理 參與：一鳴、杜偉 本周論文有：顏水成團隊的「PSGAN 一鍵上妝」，黃亮團隊在同傳任務的集束搜索上進行了一些改進，同時還有 NLP 相關綜述、目標檢測最新 SOTA 成果、數字在詞嵌入中的處理研究等。
  • 計算機視覺論文速遞
    通知：這篇推文有18篇論文速遞信息，涉及目標檢測、圖像分割和GAN等方向。虹膜位置是生物識別系統的一項重要任務，直接影響特定應用中獲得的結果，如虹膜識別，欺騙和隱形眼鏡檢測等。這項工作將虹膜定位問題定義為包含虹膜區域的最小平方窗口的定界。為了建立虹膜位置的基準，論文從不同的生物識別應用中注釋（虹膜平方包圍盒）四個資料庫，並將它們公開給社區。
  • 【每日速遞】計算機視覺與模式識別/圖像處理最新學術論文[1.13]
    2021年1月13日星期三，今日共計36篇。2] 圖像合成中的細粒度語義約束作者：Pengyang Li,Donghui Wang連結：https://arxiv.org/abs/2101.04558[3] 交互式圖像分割的再思考：特徵空間註記作者：Jordão Bragantini
  • 2021年,圖像分割在這個領域殺瘋了!!!
    今天的圖像分割技術使用計算機視覺深度學習模型來理解圖像的每個像素所代表的真實物體，這在十年前是無法想像的。圖像分割有助於確定目標之間的關係，以及目標在圖像中的上下文。應用包括人臉識別、車牌識別和衛星圖像分析。例如，零售和時尚等行業在基於圖像的搜索中使用了圖像分割。自動駕駛汽車用它來了解周圍的環境。
  • 最新!2021中國內地大學ESI排名出爐:326所高校上榜!
    機構進入前百分之一的學科479個（增加32個），千分之一的學科37個（增加1個）。新晉全球1‰的學科11個，其中廣東收穫2個，分別為中山大學的工程科學、南方醫科大學的臨床醫學，無高校千分之一學科退出。54個學科晉升全球前1%所屬高校包括深圳大學(一般社會科學)等51所高校，其中東華大學、江南大學、四川大學新增2個學科。無高校學科退出。
  • 清華大學提出:ColorNet 研究顏色空間對圖像分類的重要性
    註：Amusi認為這篇論文對於你當前的研究會有一定幫助（特別是從事圖像分類、目標檢測和圖像分割等方向的同學）正文《ColorNet: Investigating the importance of color spaces for image classification》
  • TinaFace:人臉檢測新網絡,代碼已開源!
    vedadet能做到的不僅於此，vedadet是我們基於mmdetection開發的單階段目標檢測框架，適用任意目標檢測任務，無論是人臉檢測還是通用目標檢測。vedadet提供訓練、測試、推理特性，後續會支持轉ONNX/TensorRT，以及基於TensorRT的Python前端SDK或者C++前端SDK。