Публикации по теме computer-vision

Публикации по теме 'computer-vision'

Примечания к CVPR 2020

Оглавление Число в (.) Указывает количество подобранного вручную содержимого. Выделенные учебники (4) Краткое резюме награжденных статей (3) Управляемый синтез изображений (2) Работа с несбалансированными данными (2) Многозадачное обучение (1) Репрезентативное обучение (2) Самостоятельное обучение (2) Полу-контролируемое обучение (2) Обучение со слабым контролем (для семантической сегментации) (3) Обнаружение объектов (2) Кистилляция знаний (3) Увеличение данных (4)..

Отпечатки брендов: как отпечатки пальцев, но на самом деле созданы для того, чтобы их можно было найти.

Определение "фирменных знаков" – Фирменные знаки – это формы, знаки и символы на потребительских товарах, которые идентифицируют бренд, стоящий за этими товарами. Общие фирменные отпечатки включают логотипы, этикетки и упаковку продуктов, а также текст с торговой маркой. Это любой визуальный шаблон, специально созданный для того, чтобы помочь людям узнавать бренды. Точно так же, как люди могут быть идентифицированы по их отпечаткам пальцев — и даже их уникальному «отпечатку лица», —..

Компьютерное зрение, визуальное обучение и 3D-реконструкция

Международная конференция по 3DVision (10–12 октября 2017 г.) Докладчик Профессор Лонг ЦУАН 權龍 Факультет компьютерных наук и инженерии Гонконгский университет науки и технологий Тема Компьютерное зрение, визуальное обучение и 3D-реконструкция: Моделирование мира с помощью дронов и смартфонов! Аннотация Профессор Куан возглавляет группу компьютерного зрения, которая использует фотографии и технологии глубокого визуального обучения для создания полной трехмерной..

Понимание и визуализация DenseNets

Этот пост можно скачать в формате PDF здесь . Это часть серии руководств по архитектуре CNN . Основная цель - дать представление о DenseNets и углубиться в DenseNet-121 для набора данных ImageNet. Для DenseNets, примененного к CIFAR10, есть еще одно руководство здесь . Индекс Фон Мотивация Какие проблемы решает DenseNets? Архитектура Резюме Фон Плотно соединенные сверточные сети [1], DenseNets, являются следующим шагом на пути дальнейшего увеличения глубины глубоких..

Как воспользоваться предыдущим обучением CNN и использовать трансферное обучение?

В последней теме (см. предыдущий пост в https://medium.com/birdie-ai/how-to-use-cnns-as-feature-extractors-54c69c1d4bdf ) я представил вводные концепции сверточных сетей (CNN). ) и процесс извлечения признаков с использованием этих архитектур. Извлечение признаков — это широко используемый подход, когда мы хотим воспользоваться потенциалом глубокой сети, не имея необходимого количества примеров для непосредственного обучения сети. Таким образом, мы понимаем, что сверточные сети обладают..

Классификация изображений

Классификация изображений В своем последнем сообщении в блоге я рассказал о различных проблемах в области компьютерного зрения (соответственно визуального распознавания), над которыми работают люди. Самой основной в этом контексте является проблема классификации изображений, поскольку многие другие задачи, такие как, например. К нему можно свести обнаружение объектов или сегментацию изображения . Однако классификация изображений сама по себе имеет множество практических..

Глубокое обучение для обнаружения и локализации объектов с использованием R-CNN

Глубокое погружение в R-CNN для обнаружения объектов Вступление Обнаружение объектов находится на переднем крае исследований компьютерного зрения, прежде всего из-за множества практических приложений почти во всех областях. Поскольку технологии развиваются так быстро, важно развить глубокое понимание того, что это за методы и как они развивались с течением времени по мере того, как мы внедряем инновации, выходящие за рамки их. Это первая статья из новой серии, в которой будут..