計算機視覺/圖像處理學術速遞[08.06]

2021-02-28 arXiv每日學術速遞

點擊藍字↑關注公眾號，如有幫助， 點個「在看」哦

cs.CV 方向，今日共計48篇

[檢測分類相關]：

【1】 Tiny-YOLO object detection supplemented with geometrical data

作者： Ivan Khokhlov, Roman Gorbachev

備註：5 pages, 5 figures, published in 2020 IEEE 91st Vehicular Technology Conference (VTC2020-Spring)

連結：https://arxiv.org/abs/2008.02170

【2】 Point Proposal Network: Accelerating Point Source Detection Through Deep Learning

作者： Duncan Tilley, Roger Deane

連結：https://arxiv.org/abs/2008.02093

【3】 Pose-based Modular Network for Human-Object Interaction Detection

作者： Zhijun Liang, Juan Rojas

連結：https://arxiv.org/abs/2008.02042

【4】 From Human Mesenchymal Stromal Cells to Osteosarcoma Cells Classification by Deep Learning

作者： Mario D'Acunto, Davide Moroni

連結：https://arxiv.org/abs/2008.01864

【5】 COVID-19 in CXR: from Detection and Severity Scoring to Patient Disease Monitoring

標題:CXR中的冠狀病毒：從檢測和嚴重程度評分到患者疾病監測

作者： Rula Amer, Hayit Greenspan

連結：https://arxiv.org/abs/2008.02150

【6】 Unsupervised seismic facies classification using deep convolutional autoencoder

作者： Vladimir Puzyrev, Chris Elders

連結：https://arxiv.org/abs/2008.01995

[分割/語義相關]：

【1】 Fully Automated and Standardized Segmentation of Adipose Tissue Compartments by Deep Learning in Three-dimensional Whole-body MRI of Epidemiological Cohort Studies

標題:流行病學隊列研究三維全身MRI中基於深度學習的全自動標準化脂肪組織分割

作者： Thomas Küstner, Jürgen Machann

連結：https://arxiv.org/abs/2008.02251

【2】 Importance of Self-Consistency in Active Learning for Semantic Segmentation

作者： S. Alireza Golestaneh, Kris M. Kitani

備註：Accepted in The British Machine Vision Conference (BMVC) 2020

連結：https://arxiv.org/abs/2008.01860

【3】 Structure Preserving Stain Normalization of Histopathology Images Using Self-Supervised Semantic Guidance

標題:基於自監督語義引導的組織病理圖像結構保持染色歸一化

作者： Dwarikanath Mahapatra, Ling Shao

連結：https://arxiv.org/abs/2008.02101

【4】 Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs

標題:基於注意力引導雙路徑CNN的多發性硬化病變活動分割

作者： Nils Gessert, Alexander Schlaefer

連結：https://arxiv.org/abs/2008.02001

[人臉相關]：

【1】 Subclass Contrastive Loss for Injured Face Recognition

作者： Puspita Majumdar, Mayank Vatsa

備註：Accepted in BTAS 2019

連結：https://arxiv.org/abs/2008.01993

【2】 More Than Accuracy: Towards Trustworthy Machine Learning Interfaces for Object Recognition

標題:不僅僅是準確性：面向對象識別的可信賴機器學習接口

作者： Hendrik Heuer, Andreas Breiter

備註：UMAP '20: Proceedings of the 28th ACM Conference on User Modeling, Adaptation and Personalization

連結：https://arxiv.org/abs/2008.01980

[GAN/對抗式/生成式相關]：

【1】 Domain-Specific Mappings for Generative Adversarial Style Transfer

作者： Hsin-Yu Chang, Yung-Yu Chuang

備註：ECCV 2020, Project url: this https URL

連結：https://arxiv.org/abs/2008.02198

【2】 F2GAN: Fusing-and-Filling GAN for Few-shot Image Generation

標題:F2GAN：用於少鏡頭圖像生成的融合填充GaN

作者： Yan Hong, Liqing Zhang

備註：This paper is accepted for oral presentation at ACM Multimedia 2020

連結：https://arxiv.org/abs/2008.01999

【3】 A feature-supervised generative adversarial network for environmental monitoring during hazy days

標題:一種用於霧霾天氣環境監測的特徵監督產生式對抗性網絡

作者： Ke Wang, Lei Xiao

連結：https://arxiv.org/abs/2008.01942

【4】 Entropy Guided Adversarial Model for Weakly Supervised Object Localization

作者： Sabrina Narimene Benassou, Feng Jiang

連結：https://arxiv.org/abs/2008.01786

【5】 Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN

標題:存儲器高效型高解析度3DGaN的分層攤銷訓練

作者： Li Sun, Kayhan Batmanghelich

連結：https://arxiv.org/abs/2008.01910

[行為/時空/光流/姿態/運動]：

【1】 Self-supervised learning using consistency regularization of spatio-temporal data augmentation for action recognition

標題:基於時空數據增強一致性正則化的動作識別自監督學習

作者： Jinpeng Wang, Andy J.Ma

連結：https://arxiv.org/abs/2008.02086

【2】 Compact Graph Architecture for Speech Emotion Recognition

作者： A. Shirian, T. Guha

連結：https://arxiv.org/abs/2008.02063

[半/弱/無監督相關]：

【1】 Self-supervised Temporal Discriminative Learning for Video Representation Learning

作者： Jinpeng Wang, Pong C. Yuen

連結：https://arxiv.org/abs/2008.02129

【2】 Synthetic to Real Unsupervised Domain Adaptation for Single-Stage Artwork Recognition in Cultural Sites

標題:文化遺址單級藝術品識別的合成到真實無監督領域自適應

作者： Giovanni Pasqualino, Giovanni Maria Farinella

連結：https://arxiv.org/abs/2008.01882

【3】 A coarse-to-fine framework for unsupervised multi-contrast MR image deformable registration with dual consistency constraint

標題:一種具有雙重一致性約束的無監督多對比度MR圖像變形配準框架

作者： Weijian Huang, Shanshan Wang

連結：https://arxiv.org/abs/2008.01896

[遷移學習/domain/主動學習/自適應]：

【1】 Duality Diagram Similarity: a generic framework for initialization selection in task transfer learning

標題:二元圖相似性：任務遷移學習中初始化選擇的通用框架

作者： Kshitij Dwivedi, Gemma Roig

備註：accepted at ECCV 2020. Code available here: this https URL

連結：https://arxiv.org/abs/2008.02107

【2】 Learning Boost by Exploiting the Auxiliary Task in Multi-task Domain

作者： Jonghwa Yim, Sang Hwan Kim

連結：https://arxiv.org/abs/2008.02043

[裁剪/量化/加速相關]：

【1】 Fast top-K Cosine Similarity Search through XOR-Friendly Binary Quantization on GPUs

標題:基於GPU的異或友好二值量化快速TOP-K餘弦相似搜索

作者： Xiaozheng Jian, Ao Li

連結：https://arxiv.org/abs/2008.02002

[超解析度]：

【1】 Component Divide-and-Conquer for Real-World Image Super-Resolution

作者： Pengxu Wei, Liang Lin

連結：https://arxiv.org/abs/2008.01928

[深度depth相關]：

【1】 Deep Multi Depth Panoramas for View Synthesis

作者： Kai-En Lin, Ravi Ramamoorthi

備註：Published at the European Conference on Computer Vision, 2020

連結：https://arxiv.org/abs/2008.01815

[3D/3D重建等相關]：

【1】 Beyond Controlled Environments: 3D Camera Re-Localization in Changing Indoor Scenes

標題:超越受控環境：室內場景變化中的3D攝像機重新定位

作者： Johanna Wald, Federico Tombari

備註：ECCV 2020, project website this https URL

連結：https://arxiv.org/abs/2008.02004

[其他]：

【1】 NeRF in the Wild: Neural Radiance Fields for Unconstrained Photo Collections

標題:NERF in the Wild：無約束照片集的神經輻射場

作者： Ricardo Martin-Brualla, Daniel Duckworth

連結：https://arxiv.org/abs/2008.02268

【2】 Learning Long-term Visual Dynamics with Region Proposal Interaction Networks

作者： Haozhi Qi, Jitendra Malik

連結：https://arxiv.org/abs/2008.02265

【3】 Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model

標題:基於深度學習編碼器模型的路徑規划算法性能改進

作者： Janderson Ferreira (1), (2) Cognitive Architecture for Collaborative Technologies Unit - Istituto Italiano di Tecnologia)

連結：https://arxiv.org/abs/2008.02254

【4】 Can You Read Me Now? Content Aware Rectification using Angle Supervision

標題:你現在能聽到我說話嗎？利用角度監督進行內容感知整改

作者： Amir Markovitz, Roee Litman

備註：Presented in ECCV 2020

連結：https://arxiv.org/abs/2008.02231

【5】 Active Perception using Light Curtains for Autonomous Driving

作者： Siddharth Ancha, David Held

備註：Published at the European Conference on Computer Vision (ECCV), 2020

連結：https://arxiv.org/abs/2008.02191

【6】 MultiCheXNet: A Multi-Task Learning Deep Network For Pneumonia-like Diseases Diagnosis From X-ray Scans

標題:MultiCheXNet：一種用於X線診斷肺炎樣疾病的多任務學習深度網絡

作者： Abdullah Tarek Farag, Ahmad El Sallab

連結：https://arxiv.org/abs/2008.01973

【7】 COALESCE: Component Assembly by Learning to Synthesize Connections

標題:Coalesce：通過學習合成連接來組裝組件

作者： Kangxue Yin, Hao Zhang

備註：19 pages: paper + supplementary

連結：https://arxiv.org/abs/2008.01936

【8】 Graph Signal Processing for Geometric Data and Beyond: Theory and Applications

作者： Wei Hu, Anthony Vetro

連結：https://arxiv.org/abs/2008.01918

【9】 Multimodality Biomedical Image Registration using Free Point Transformer Networks

作者： Zachary M. C. Baum, Dean C. Barratt

備註：10 pages, 4 figures. Accepted for publication at International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) workshop on Advances in Simplifying Medical UltraSound (ASMUS) 2020

連結：https://arxiv.org/abs/2008.01885

【10】 Implicit Saliency in Deep Neural Networks

作者： Yutong Sun, Ghassan AlRegib

連結：https://arxiv.org/abs/2008.01874

【11】 High resolution neural texture synthesis with long range constraints

作者： Nicolas Gonthier, Saïd Ladjal

連結：https://arxiv.org/abs/2008.01808

【12】 Deep Learning Based Early Diagnostics of Parkinsons Disease

作者： Elcin Huseyn

連結：https://arxiv.org/abs/2008.01792

【13】 PAI-BPR: Personalized Outfit Recommendation Scheme with Attribute-wise Interpretability

標題:PAI-BPR：基於屬性可解釋性的個性化服裝推薦方案

作者： Dikshant Sagar, Yi Yu

備註：10 pages, 5 figures, to be published in IEEE BigMM, 2020

連結：https://arxiv.org/abs/2008.01780

【14】 Making Sense of CNNs: Interpreting Deep Representations & Their Invariances with INNs

作者： Robin Rombach, Björn Ommer

備註：ECCV 2020. Project page and code at this https URL

連結：https://arxiv.org/abs/2008.01777

【15】 Extracting and Leveraging Nodule Features with Lung Inpainting for Local Feature Augmentation

標題:利用肺部修復提取和利用結節特徵進行局部特徵增強

作者： Sebastian Guendel, Dorin Comaniciu

備註：Accepted at MICCAI MLMI 2020

連結：https://arxiv.org/abs/2008.02030

【16】 Counterfactual Explanation Based on Gradual Construction for Deep Networks

作者： Sin-Han Kang, Seong-Whan Lee

連結：https://arxiv.org/abs/2008.01897

【17】 Stabilizing Deep Tomographic Reconstruction Networks

作者： Weiwen Wu, Ge Wang

連結：https://arxiv.org/abs/2008.01846

【18】 Graph Neural Networks with Low-rank Learnable Local Filters

作者： Xiuyuan Cheng, Qiang Qiu

連結：https://arxiv.org/abs/2008.01818

【19】 Fast Nonconvex $T_2^*$ Mapping Using ADMM

作者： Shuai Huang, Deqiang Qiu

連結：https://arxiv.org/abs/2008.01806

【20】 An artificial intelligence system for predicting the deterioration of COVID-19 patients in the emergency department

標題:預測急診科冠狀病毒患者病情惡化的人工智慧系統

作者： Farah E. Shamout, Krzysztof J. Geras

連結：https://arxiv.org/abs/2008.01774

機器翻譯，僅供參考

相關焦點

  • 計算機視覺/圖像處理學術速遞[08.03]
    //arxiv.org/abs/2007.15818【4】 Weakly supervised one-stage vision and language disease detection using large scale pneumonia and pneumothorax studies標題:使用大規模肺炎和氣胸研究的弱監督一期視覺和語言疾病檢測
  • 計算機視覺/圖像處理學術速遞[10.08]
    Yap, Eibe Frank 連結：https://arxiv.org/abs/2010.03341【3】 Multi-label classification of promotions in digital leaflets using textual and visual information標題:使用文本和視覺信息對數字傳單中的促銷進行多標籤分類
  • 計算機視覺/圖像處理學術速遞[02.03]
    Benedetta Tondi,Yao Zhao,Rongrong Ni,Mauro Barni連結：https://arxiv.org/abs/2102.01439【9】 Child-Computer Interaction: Recent Works, New Dataset, and Age Detection標題：兒童-計算機交互
  • 計算機視覺/圖像處理學術速遞[08.20]
    方向，今日共計61篇 [檢測分類相關]：【1】 Physically-Constrained Transfer Learning through Shared Abundance Space for Hyperspectral Image Classification標題:基於共享豐度空間的物理約束轉移學習在高光譜圖像分類中的應用
  • 計算機視覺/圖像處理學術速遞[12.14]
    July 15th, 2020連結：https://arxiv.org/abs/2012.06136【7】 Color-related Local Binary Pattern: A Learned Local Descriptor for Color  Image Recognition標題：顏色相關局部二值模式：一種用於彩色圖像識別的學習型局部描述子
  • 計算機視覺將用來處理相機圖像
    得到一些數據以及判斷,然後推斷應該怎麼工作,這其中包括對人的數據進行分析,包括性別,年齡,籍貫等等,也包括對機器的運算發送指令給人工,使用代碼來進行循環.然後在人工智慧的背後,一個重要的單位就是計算機視覺,它們主要負責識別,分類,檢測,填充,分割.首先計算機視覺可以幫助我們更好的了解自己的眼睛,也就是我們的眼睛,視覺的作用在於生物可以更好的了解周圍的世界。
  • 計算機視覺/圖像處理學術速遞[11.03]
    Maier-Hein 連結：https://arxiv.org/abs/2011.00848【16】 Bifurcated Autoencoder for Segmentation of COVID-19 Infected Regions in CT Images標題:用於CT圖像冠狀病毒感染區域分割的分叉自動編碼器
  • 計算機視覺/圖像處理學術速遞[12.18]
    arxiv.org/abs/2012.09279【6】 Transfer Learning Through Weighted Loss Function and Group Normalization for Vessel Segmentation from Retinal Images標題：基於加權損失函數和分組歸一化的轉移學習在視網膜圖像血管分割中的應用
  • 計算機視覺和圖像處理之間有什麼區別?
    現代機器視覺系統背後的的核心動機在於模擬人類視覺，用於識別圖案，面部以及將將2D圖像轉化為3D模型等。在概念層面，圖像處理和計算機視覺之間存在很多重疊，並且經常被誤解的術語可以互換使用。在這裡，我們簡要概述了這些技術，並解釋了它們在基礎層面上的不同之處。
  • 計算機視覺(圖像)技術:視覺圖像搜索綜述
    這些年計算機視覺識別和搜索這個領域非常熱鬧，後期出現了很多的創業公司，大公司也在這方面也花了很多力氣在做。做視覺搜索，其實是深度學習（或人工智慧）領域最重要的研究課題之一，在現實生活中有著非常廣泛的應用。　　通常，視覺搜索包含了兩步任務：首先，待搜索物體的檢測與定位；其次，從庫（知識圖譜、圖片庫、信息庫等）中搜索該物體，或查詢相關聯的場景。
  • 機器視覺和智能圖像處理技術之間的關係
    機器視覺和智能圖像處理技術之間的關係 工程師曾玲 發表於 2018-06-13 15:16:00 機器視覺（Machine Vision）是人工智慧領域中發展迅速的一個重要分支
  • 包括的領域有計算機視覺,語音識別,自然語言處理,圖像識別等
    現在人工智慧已經包括的領域有計算機視覺，語音識別，自然語言處理，圖像識別等。人工智慧的步驟人工智慧基本步驟包括，信息提取->信息分析->假設建模->學習->泛化，具體步驟。如果說計算機視覺是讓計算機看到一張黑白的二維圖像，那麼它可以識別字符串，可以通過圖像獲取某個標註的信息，它具有特定的識別圖像，可以從圖像分析出某個基本的結構。
  • 【期刊速遞】高光譜遙感圖像處理與信息提取直播預告
    高光譜圖像處理與信息提取技術是高光譜遙感領域的核心研究內容之一。隨著智能化信息分析和高性能硬體處理技術的發展，高光譜遙感衛星系統也將步入智能化時代。如何利用人工智慧等最新成果，發展高光譜圖像處理與信息提取的高性能實時處理技術？如何發揮高光譜遙感的優勢和特點，發展新理論和新方法？
  • 智能圖像處理 讓機器視覺及其應用更智能高效
    編者按：無論是「中國製造2025」還是「工業4.0」都離不開人工智慧，離不開計算機視覺，而智能圖像處理是機器視覺的核心技術，隨著圖像處理水平的不斷提高，一定會有力地推動機器視覺的迅速發展。
  • 計算機視覺 vs 機器視覺
    計算機視覺和機器視覺通常被認為是同一個行業，其實它們是重疊技術的不同術語。計算機視覺廣義上是指圖像分析的捕獲和自動化，並著重於在廣泛的理論和實際應用中的圖像分析功能。傳統上，機器視覺是借鑑參考了計算機視覺技術，在某些工業或實際應用中根據視覺系統完成圖像分析的某些功能或結果。視覺系統使用軟體來識別預編程的功能，該系統可根據發現結果觸發各種設定的「動作」。例如，在食品和飲料行業的裝瓶廠中，視覺系統可用於識別多個物體。它可以驗證空瓶本身沒有損壞和異物。
  • 人工智慧與計算機視覺
    計算機視覺是使用計算機及相關設備對生物視覺的一種模擬，是人工智慧領域的一個重要部分，它的研究目標是使計算機具有通過二維圖像認知三維環境信息的能力。計算機視覺是以圖象處理技術、信號處理技術、概率統計分析、計算幾何、神經網絡、機器學習理論和計算機信息處理技術等為基礎，通過計算機分析與處理視覺信息。
  • 視覺感知-從人類視覺到計算機視覺
    1.4億個神經元組成，是大腦中最神秘的部分之一，負責處理和解釋視覺數據以提供感知力並建立記憶。例如給定一幅圖像，我們可以利用上下文和先驗知識得知整個故事。 但是，使計算機感知視覺世界有多困難？截至2019年，我們才取得了一定進展，但依舊還有很長的路要走。計算機視覺是計算機科學的一個相對較新的領域，大約有60年的歷史。
  • 計算機視覺:圖像檢測和圖像分割有什麼區別?
    字幕組雙語原文：計算機視覺：圖像檢測和圖像分割有什麼區別？英語原文：What is the difference between Object Detection and Image Segmentation?翻譯：雷鋒字幕組（明明知道）人工智慧中的圖像處理人工智慧對於圖像處理有不同的任務。
  • 科研進階 | 哈佛大學 | 電子工程、軟體工程、計算機科學:計算機圖形圖像處理綜合研究 (2021.7.31開課)
    課題名稱  隨著計算機技術的發展，計算與數據處理成本的降低，數字圖像分析正迅速成為工程領域的重要應用
  • 探討計算機視覺前沿技術,加速智慧城市落地應用 | CNCC 2019
    19日下午，為探索計算機視覺與智慧城市發展，申省梅等著名學者將共同從學術和產業角度探討計算機視覺的場景解譯、人臉識別、人體姿態、視覺內容理解等前沿技術，以及在智能安防、自動駕駛等智慧城市建設方面的研究成果、發展前景與技術應用，值得期待！作為AI領域最熱門的研究與應用方向，目前計算機視覺技術在學術研究和產業落地方面都走在人工智慧發展的最前沿。