开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在使用转移学习进行对象检测的训练序列模型期间，训练和验证精度保持不变

是一个常见的情况。转移学习是一种机器学习方法，通过将已经在一个任务上训练好的模型应用于另一个相关任务上，以加快和改善模型的训练过程。

在对象检测任务中，通常会使用预训练的卷积神经网络（CNN）模型，如VGG、ResNet、Inception等，作为转移学习的基础模型。这些预训练模型在大规模图像数据集上进行了训练，学习到了丰富的特征表示。通过将这些预训练模型的权重作为初始参数，可以在较小的数据集上进行微调，以适应特定的对象检测任务。

在训练序列模型期间，训练和验证精度保持不变可能是由以下原因导致的：

数据集大小：如果训练集和验证集的规模较小，可能会导致模型无法充分学习到数据的特征。在这种情况下，即使进行了转移学习，模型的性能也可能受到限制。
数据集的类别分布：如果训练集和验证集的类别分布不平衡，即某些类别的样本数量较少，模型可能会倾向于预测数量较多的类别，而对数量较少的类别表现较差。这可能导致训练和验证精度保持不变。
转移学习策略：转移学习的策略选择也可能影响训练和验证精度。不同的任务和数据集可能需要不同的微调策略，包括冻结部分网络层、调整学习率、调整训练批次大小等。如果选择的策略不合适，训练和验证精度可能无法提升。

针对这个问题，可以尝试以下方法来改善训练和验证精度：

数据增强：通过对训练集进行数据增强操作，如随机裁剪、旋转、翻转等，可以扩充数据集的规模，增加模型的泛化能力。
调整模型架构：根据具体任务的需求，可以对预训练模型进行修改或添加额外的网络层，以更好地适应对象检测任务。
调整超参数：尝试不同的学习率、批次大小、优化器等超参数的组合，以找到更好的模型训练配置。
进行迁移学习的层级选择：根据任务的相似性，选择合适的层级进行迁移学习，可以是整个模型或仅部分层级。
集成学习：尝试使用集成学习方法，如投票、平均等，将多个模型的预测结果进行组合，以提高整体性能。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云图像识别（https://cloud.tencent.com/product/tii）
腾讯云视频智能分析（https://cloud.tencent.com/product/vca）
腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mobdev）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/tbaas）
腾讯云元宇宙（https://cloud.tencent.com/product/tencent-meta-universe）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

STRL：3D 点云的时空自监督表示学习

点云是视觉分析和场景理解的典型3D表示。但各种3D场景理解任务仍然缺乏实用和可推广的预训练模型，同时尽管3D点云数据在3D表示中无所不在，但与2D图像数据相比，对3D点云进行标注要困难得多。因此，动机是：正确利用大量未标记的3D点云数据是大规模3D视觉分析和场景理解成功的必要条件。

04

用Jetson Xavier NX做个AI白板

今天，我们介绍一个有趣的项目，该项目使用Nvidia Jetson Xavier NX，深度学习和计算机视觉。

02

用Jetson Xavier NX做个AI白板

今天这个项目来自Nazar Kaminskyi，是NVIDIA Jetson 社区项目里的一个

02

Pri3D：一种利用RGB-D数据固有属性完成3D场景感知的表示学习方法

Pri3D:Can 3D Priors Help 2D Representation Learning? (ICCV2021) 代码地址：https://github.com/Sekunde/Pri3

01

首场ACRV机器人视觉挑战，全卷积神经网络实现交互式医学图像分割 | AI一周学术

呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！

04

Cycle-object consistency for image-to-image domain adaptation

生成对抗性网络（GANs）的最新进展已被证明可以通过数据扩充有效地执行目标检测器的域自适应。虽然GANs非常成功，但那些能够在图像到图像的翻译任务中很好地保存目标的方法通常需要辅助任务，例如语义分割，以防止图像内容过于失真。然而，在实践中很难获得像素级注释。或者，实例感知图像转换模型分别处理对象实例和背景。然而，它在测试时需要目标检测器，假设现成的检测器在这两个领域都能很好地工作。在这项工作中，我们介绍了AugGAN Det，它引入了循环目标一致性（CoCo）损失，以生成跨复杂域的实例感知翻译图像。目标域的目标检测器直接用于生成器训练，并引导翻译图像中保留的目标携带目标域外观。与之前的模型（例如，需要像素级语义分割来强制潜在分布保持对象）相比，这项工作只需要更容易获取的边界框注释。接下来，对于感知实例的GAN模型，我们的模型AugGAN-Det在没有明确对齐实例特征的情况下内化了全局和对象样式转移。最重要的是，在测试时不需要检测器。实验结果表明，我们的模型优于最近的目标保持和实例级模型，并实现了最先进的检测精度和视觉感知质量。

01

CVPR:深度无监督跟踪

本文提出了一种无监督的视觉跟踪方法。与使用大量带注释数据进行监督学习的现有方法不同，本文的CNN模型是在无监督的大规模无标签视频上进行训练的。动机是，强大的跟踪器在向前和向后预测中均应有效（即，跟踪器可以在连续帧中向前定位目标对象，并在第一个帧中回溯到其初始位置）。在Siameses相关过滤器网络上构建框架，该网络使用未标记的原始视频进行训练。同时提出了一种多帧验证方法和一种对成本敏感的损失，以促进无监督学习。由于没有bells & whistles，本文的无监督跟踪器可达到完全受监督的在训练过程中需要完整且准确的标签的跟踪器的基线精度。此外，无监督框架在利用未标记或标记较弱的数据以进一步提高跟踪准确性方面具有潜力。

03

论文总结与分析：“An Image is Worth 16x16 Words”

大规模图像识别试图解决将Transformer架构应用于计算机视觉任务的问题，以减轻该领域对CNN的严重依赖。本文提出这样的论点，即这种转换将产生与传统CNN相当的结果，同时需要较少的计算资源进行训练。

02

Domain Adaptive SiamRPN++ for Object Tracking in the Wild

得益于大规模的训练数据，基于Siamese的目标跟踪的最新进展已经在普通序列上取得了引人注目的结果。而基于Siamese的跟踪器假定训练和测试数据遵循相同的分布。假设有一组有雾或有雨的测试序列，不能保证在正常图像上训练的跟踪器在其他领域的数据上表现良好。训练数据和测试数据之间的域转移问题已经在目标检测和语义分割领域进行了讨论，但在视觉跟踪方面尚未进行研究。为此，在Siamese++的基础上，我们引入了域适配Siamese++，即DASiamRPN++，以提高跟踪器的跨域可移植性和鲁棒性。在

02

Thermal Object Detection using Domain Adaptation through

最近发生的一起自动驾驶车辆致命事故引发了一场关于在自动驾驶传感器套件中使用红外技术以提高鲁棒目标检测可见性的辩论。与激光雷达、雷达和照相机相比，热成像具有探测红外光谱中物体发出的热差的优点。相比之下，激光雷达和相机捕捉在可见光谱，和不利的天气条件可以影响其准确性。热成像可以满足传统成像传感器对图像中目标检测的局限性。提出了一种用于热图像目标检测的区域自适应方法。我们探讨了领域适应的多种概念。首先，利用生成式对抗网络，通过风格一致性将低层特征从可见光谱域转移到红外光谱域。其次，通过转换训练好的可见光光谱模型，采用具有风格一致性的跨域模型进行红外光谱中的目标检测。提出的策略在公开可利用的热图像数据集(FLIR ADAS和KAIST多光谱)上进行评估。我们发现，通过域适应将源域的低层特征适应到目标域，平均平均精度提高了约10%。

01

传输丰富的特征层次结构以实现稳健的视觉跟踪

论文地址：https://arxiv.org/pdf/1501.04587.pdf

04

10个预训练模型开始你的深度学习（计算机视觉部分）

对于希望学习算法或尝试现有框架的人来说，预训练的模型是一个很好的帮助。由于时间限制或计算资源的限制，不可能总是从头构建模型，这就是为什么存在预训练模型！

02

目标检测和分类的域适配研究简述

1、Progressive Domain Adaptation for Object Detection 2020年

01

Google新作 | 详细解读 Transformer那些有趣的特性（建议全文背诵）

近期Vision Transformer（ViT）在各个垂直任务上均表现出非常不错的性能。这些模型基于multi-head自注意力机制，该机制可以灵活地处理一系列图像patches以对上下文cues进行编码。

05

YOLOS：通过目标检测重新思考Transformer（附源代码）

论文地址：https://arxiv.org/pdf/2106.00666.pdf

02

一种简单的Few Shot 目标检测方法

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文链接: https://arxiv.org/pdf/2112.05749.pdf 计算机视觉研究院专栏作者：Edison_G 少样本目标检测（few-shot object detection，FSOD）——仅在少数训练实例的情况下为新类别扩展目标检测器的任务 01 前言今天分享的目标是少样本目标检测（few-shot object detection，FSOD）——

03

Label,Verify,Correct：一种简单的Few Shot 目标检测方法

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文链接: https://arxiv.org/pdf/2112.05749.pdf 计算机视觉研究院专栏作者：Edison_G 少样本目标检测（few-shot object detection，FSOD）——仅在少数训练实例的情况下为新类别扩展目标检测器的任务 01 前言今天分享的目标是少样本目标检测（few-shot object detection，FSOD）——

02

[译] End-to-end people detection in crowded scenes

检测效果图题目：拥挤场景中的端到端人物检测 (推荐阅读英文原文) 文章地址：《End-to-end people detection in crowded scenes》 arXiv.1506.04878 Github：https://github.com/Russell91/ReInspect (未经允许禁止转载，授权转载请注明出处，谢谢！) ---- Abstract 目前的人物检测操作要么是以滑动窗口的方式扫描图像，或者通过分类一组离散的决策。我们提出了基于将图像解码成一组人物检测的模型。我

06

Let There Be Light: Improved Trafﬁc Surveillancevia Detail Preserving Night-to-Day Transfer

近年来，在深度卷积神经网络（CNNs）的帮助下，图像和视频监控在智能交通系统（ITS）方面取得了长足的进步。作为最先进的感知方法之一，检测视频监控每帧中感兴趣的目标是ITS广泛期望的。目前，在具有良好照明条件的日间场景等标准场景中，物体检测显示出显著的效率和可靠性。然而，在夜间等不利条件下，物体检测的准确性会显著下降。该问题的主要原因之一是缺乏足够的夜间场景注释检测数据集。在本文中，我们提出了一个框架，通过使用图像翻译方法来缓解在不利条件下进行目标检测时精度下降的情况。为了缓解生成对抗性网络（GANs）造成的细节破坏，我们建议利用基于核预测网络（KPN）的方法来重新定义夜间到日间的图像翻译。KPN网络与目标检测任务一起训练，以使训练的日间模型直接适应夜间车辆检测。车辆检测实验验证了该方法的准确性和有效性。

02

用深度学习预测Phish乐队接下来唱什么歌（下）

编辑 | sunlei 发布 | ATYUN订阅号下面我们继续做一个小实验：实验迭代1-“撒网” 在锁定模型组件的情况下，我通过对以下超参数的各种设置进行网格搜索来实现广域网：体系结构:一

03

Frustratingly Simple Few-Shot Object Detection

从几个例子中检测稀有物体是一个新兴的问题。先前的研究表明元学习是一种很有前途的方法。但是，精细的调音技术没有引起足够的重视。我们发现，仅微调现有检测器的最后一层稀有类是至关重要的少数射击目标检测任务。这种简单的方法比元学习方法的性能要高出约2 ~ 20点，有时甚至是之前方法的准确度的两倍。然而，少数样本中的高方差往往会导致现有基准测试的不可靠性。基于PASCAL VOC、COCO和LVIS三个数据集，我们通过对多组训练实例进行采样来修改评估协议，以获得稳定的比较，并建立新的基准。同样，我们的微调方法在修订后的基准上建立了一个新的最先进状态。

02

Aim新大型视觉模型预训练 | 直接阐明了视觉特征的性能与模型容量和数据量都有关

作者通过预先训练一个70亿参数的Aim模型在20亿图像上的结果来解释这些发现，该模型在ImageNet-1k上的性能达到84.0%，且Backbone网络保持冻结。有趣的是，即使在这个规模上，作者并未观察到性能出现饱和的迹象，这表明Aim可能代表了一种新的大型视觉模型训练的前沿。Aim的预训练类似于LLMs的预训练，不需要任何针对图像的特定策略来在规模上稳定训练。

01

引入N-gram改进Transformer架构，ACL匿名论文超越Primer等基准

机器之心报道编辑：陈萍、杜伟在提交给 ACL 的一篇匿名论文中，研究者用潜在 n-gram 来增强 Transformer。 Transformer 模型已成为自然语言处理任务的基础模型之一，最近研究者开始把注意力转移到对这些模型的扩展上。然而，这些大型 Transformer 语言模型的训练和推理成本高昂，令人望而却步，因此我们需要更多变体来消除这些不利因素。近日，一篇匿名提交给自然语言处理顶会 ACL 的论文《 N-grammer: Augmenting Transformers with la

01

谷歌AI医疗新成果：将转移性乳腺癌检测准确率推向了几乎完美的99％

在国家癌症中心发布的《2017年中国肿瘤的现状和趋势》报告中显示，乳腺癌的发病率已经位列女性恶性肿瘤之首。

02

Aim新大型视觉模型预训练 | 直接阐明了视觉特征的性能与模型容量和数据量都有关

作者通过预先训练一个70亿参数的Aim模型在20亿图像上的结果来解释这些发现，该模型在ImageNet-1k上的性能达到84.0%，且Backbone网络保持冻结。有趣的是，即使在这个规模上，作者并未观察到性能出现饱和的迹象，这表明Aim可能代表了一种新的大型视觉模型训练的前沿。Aim的预训练类似于LLMs的预训练，不需要任何针对图像的特定策略来在规模上稳定训练。

01

Generative Modeling for Small-Data Object Detection

本文探讨了小数据模式下的目标检测，由于数据稀有和注释费用的原因，只有有限数量的注释边界框可用。这是当今的一个常见挑战，因为机器学习被应用于许多新任务，在这些任务中，获得训练数据更具挑战性，例如在医生一生中有时只看到一次罕见疾病的医学图像中。在这项工作中，我们从生成建模的角度探讨了这个问题，方法是学习生成具有相关边界框的新图像，并将其用于训练目标检测器。我们表明，简单地训练先前提出的生成模型并不能产生令人满意的性能，因为它们是为了图像真实性而不是目标检测精度而优化的。为此，我们开发了一种具有新型展开机制的新模型，该机制联合优化生成模型和检测器，以使生成的图像提高检测器的性能。我们表明，该方法在疾病检测和小数据行人检测这两个具有挑战性的数据集上优于现有技术，将NIH胸部X射线的平均精度提高了20%，定位精度提高了50%。

02

详解AI Lab 21篇CVPR 2018论文（附论文）

📷 来源：量子位本文共8300字，建议阅读10分钟。本文从立题背景、作者思路及研究特点为你详解计算机视觉顶会论文。一年一度的计算机视觉顶会CVPR即将召开，入选论文也陆续揭晓。今天分享入选论文解析的是腾讯AI Lab。在去年6篇入选之后，腾讯AI Lab今年状态更勇，总共有21篇论文入选CVPR。以下是21篇入选论文详解： 1. 面向视频理解的端到端动作表示学习 End-to-End Learning of Motion Representation for V

04

CVPR 2018论文出炉：腾讯AI Lab 21篇入选（附详解）

End-to-End Learning of Motion Representation for Video Understanding

02

Progressive Domain Adaptation for Object Detection

最近用于对象检测的深度学习方法依赖于大量的边界框注释。收集这些注释既费力又昂贵，但当对来自不同分布的图像进行测试时，监督模型并不能很好地推广。领域自适应通过使现有标签适应目标测试数据来提供解决方案。然而，领域之间的巨大差距可能会使适应成为一项具有挑战性的任务，从而导致不稳定的训练过程和次优结果。在本文中，我们建议用一个中间域来弥合领域差距，并逐步解决更容易的适应子任务。该中间域是通过平移源图像以模仿目标域中的图像来构建的。为了解决领域转移问题，我们采用对抗性学习来在特征级别对齐分布。此外，应用加权任务损失来处理中间域中的不平衡图像质量。实验结果表明，我们的方法在目标域上的性能优于最先进的方法。

03

CVPR 2022 | 华南理工提出VISTA：双跨视角空间注意力机制实现3D目标检测SOTA，即插即用

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权本文提出了 VISTA，一种新颖的即插即用多视角融合策略，用于准确的 3D 对象检测。为了使 VISTA 能够关注特定目标而不是一般点，研究者提出限制学习的注意力权重的方差。将分类和回归任务解耦以处理不平衡训练问题。在 nuScenes 和 Waymo 数据集的基准测试证明了 VISTA 方法的有效性和泛化能力。该论文已被CVPR 2022接收。第一章简介 LiDAR (激光雷达)是一种重要的传感器，被广泛用于自动驾驶场景中，以提供物

02

CVPR 2022 | 华南理工提出VISTA：双跨视角空间注意力机制实现3D目标检测SOTA，即插即用

机器之心专栏作者：邓圣衡、梁智灏、孙林、贾奎本文提出了 VISTA，一种新颖的即插即用多视角融合策略，用于准确的 3D 对象检测。为了使 VISTA 能够关注特定目标而不是一般点，研究者提出限制学习的注意力权重的方差。将分类和回归任务解耦以处理不平衡训练问题。在 nuScenes 和 Waymo 数据集的基准测试证明了 VISTA 方法的有效性和泛化能力。该论文已被CVPR 2022接收。第一章简介 LiDAR (激光雷达)是一种重要的传感器，被广泛用于自动驾驶场景中，以提供物体的精确 3D 信息。

01

计算机视觉最新进展概览(2021年6月6日到2021年6月12日)

水下目标检测技术已引起了人们的广泛关注。然而，由于几个挑战，这仍然是一个未解决的问题。我们通过应对以下挑战，使之更加现实。首先，目前可用的数据集基本上缺乏测试集注释，导致研究者必须在自分测试集(来自训练集)上与其他sota进行比较。训练其他方法会增加工作量，不同的研究人员划分不同的数据集，导致没有统一的基准来比较不同算法的性能。其次，这些数据集也存在其他缺点，如相似图像过多或标签不完整。针对这些挑战，我们在对所有相关数据集进行收集和重新标注的基础上，引入了一个数据集——水下目标检测(detection Underwater Objects, DUO)和相应的基准。 DUO包含了多种多样的水下图像，并有更合理的注释。相应的基准为学术研究和工业应用提供了SOTAs(在mmddetection框架下)的效率和准确性指标，其中JETSON AGX XAVIER用于评估检测器速度，以模拟机器人嵌入式环境。

01

解读 | 2019 年 10 篇计算机视觉精选论文（下）

内容一览：2019 年已经接近尾声，在这一年里，计算机视觉（CV）领域又诞生了大量出色的论文，提出了许多新颖的架构和方法，进一步提高了视觉系统的感知和生成能力。我们精选了 2019 年十大 CV 研究论文，帮你了解该领域的最新趋势，继之前推出的上系列和中系列之后，这是该系列的最后一个部分。Enjoy~

02

零售端部署高精度AI计算机视觉应用程序的新方法

大家好，我们来自kineticvision，kineticvision是英伟达的服务交付合作伙伴，我们使用数字孪生技术来解决产品开发和制造挑战，我们将分享一种在边缘部署高精度计算机视觉 AI 应用程序的创新方法。

05

ECCV 2018 | 腾讯AI Lab解读19篇入选论文

本文转载自腾讯AI实验室计算机视觉欧洲大会（European Conference on Computer Vision，简称ECCV）将于9月8日-14日在德国慕尼黑举办，该会议与CVPR、ICCV共称为计算机视觉领域三大顶级学术会议，每年录用论文约300篇。今年是腾讯AI Lab第二次参加ECCV，共有19篇文章入选，以下为摘要解读。在近期结束的多个顶会中，腾讯AI Lab还有多篇论文入选，位居国内企业前列，包括ACL 2018 （5篇）、ICML 2018（16篇）、CVPR 20

01

微软提出MiniViT | 把DeiT压缩9倍，性能依旧超越ResNet等卷积网络

大规模预训练的Vision TRansformer，如ViT, CvT和Swin，由于其高性能和下游任务的优越性能，最近引起了极大的关注。然而，它们通常涉及巨大的模型尺寸和大量的训练数据。例如，ViT需要使用3亿张图像来训练一个带有6.32亿参数的巨大模型，才实现了图像分类的最先进性能。同时，Swin使用2-3亿个参数，并在ImageNet-22K上进行了预训练，以在下游检测和分割任务上取得良好的性能。

02

学界 | 腾讯 AI Lab 解读19篇 ECCV 2018 入选论文

计算机视觉欧洲大会（European Conference on Computer Vision，简称ECCV）将于9月8日-14日在德国慕尼黑举办，该会议与CVPR、ICCV共称为计算机视觉领域三大顶级学术会议，每年录用论文约300篇。

02

全新数据增强 | TransMix 超越Mix-up、Cut-mix方法让模型更加鲁棒、精度更高

Transformer在自然语言处理的几乎所有任务中占据主导地位。近年来，基于Transformer的架构如Vision Transformer(ViT)被引入到计算机视觉领域，并在图像分类、目标检测和图像分割等任务中显示出巨大的前景。

02

Generalized Few-Shot Object Detection without Forgetting

近年来，少样本目标检测被广泛用于处理数据有限的情况。虽然大多数以前的工作仅仅集中在少样本类别的性能上，我们声称检测所有类别是至关重要的，因为测试样本可能包含现实应用中的任何实例，这需要少样本检测器在不忘记的情况下学习新概念。通过对基于迁移学习的方法的分析，利用一些被忽略但有益的性质，设计了一种简单而有效的少样本检测器——Retentive R-CNN。它由偏置平衡的局部概率神经网络和预处理的局部概率神经网络组成，并通过重检测器在不忘记先前知识的情况下找到少量的类目标。在少拍检测基准上的大量实验表明，在所有设置中，Retentive R-CNN在整体性能上明显优于最先进的方法，因为它可以在少样本类上获得有竞争力的结果，并且根本不会降低基类的性能。我们的方法已经证明了长期期望的永不遗忘学习者在目标检测中是可用的。

01

大会 | 腾讯AI Lab 21篇CVPR 18录用论文详解

AI 科技评论按：CVPR 2018 日前已公布录用名单，腾讯 AI Lab 共有 21 篇论文入选。本文转载于「腾讯 AI 实验室」， AI 科技评论经授权转载。近十年来在国际计算机视觉领域最具影响力、研究内容最全面的顶级学术会议 CVPR，近日揭晓 2018 年收录论文名单，腾讯 AI Lab 共有 21 篇论文入选，位居国内企业前列，我们将在下文进行详解，欢迎交流与讨论。去年 CVPR 的论文录取率为 29%，腾讯 AI Lab 共有 6 篇论文入选。2017 年，腾讯 AI Lab 共有 100

05

CVPR 2018 | 腾讯AI Lab入选21篇论文详解

腾讯AI Lab共有21篇论文入选，位居国内企业前列，我们将在下文进行详解，欢迎交流与讨论。

每日学术速递7.19

CV - 计算机视觉 | ML - 机器学习 | RL - 强化学习 | NLP 自然语言处理

01

CVPR 2018 | 腾讯AI Lab 21篇入选论文详解

📷 来源 | 腾讯AI实验室（tencent_ailab）近十年来在国际计算机视觉领域最具影响力、研究内容最全面的顶级学术会议CVPR，近日揭晓2018年收录论文名单，腾讯AI Lab共有21篇论文入选。 ▌计算机视觉未来方向与挑战计算机视觉（Computer Vision）的未来，就是多媒体AI崛起，机器之眼被慢慢打开的未来。多媒体有的时候又称为富媒体，是对图像、语音、动画和交互信息的统称。多媒体AI就是对这些所有内容的智能处理。一份国际报告显示，到2021年，视频将占全球个人

08

目标检测与生成对抗网络

1、A full data augmentation pipeline for small object detection based on generative adversarial networks

02

SilhoNet：一种用于3D对象位姿估计和抓取规划的RGB方法

论文题目：SilhoNet:An RGB Method for 3D Object Pose Estimation and Grasp Planning

01

CVPR`22丨特斯联AI提出：基于语义对齐多级表征学习的指定视频目标分割

图像分割技术是计算机视觉领域的重要研究方向，也是该领域其他应用的一个重要前期步骤。近些年来，随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，尤其在场景物体分割、人体背景分割、三维重建等技术在无人驾驶、增强现实等城市数字化领域得到了广泛应用。而近日，特斯联科技集团首席科学家邵岭博士及团队提出具有语义对齐的多级表征学习框架解决指定视频目标分割（Referring Video Object Segmentation, RVOS）中存在的问题，且相关研究成果（标题为: Multi-Level Repr

02

深度学习在医学影像上的应用（四）——检测

上一篇给大家介绍了深度学习在医学影像上分割的应用，这一篇我将分享深度学习在医学影像上检测应用。

03

集检测与分类于一身的LVLane来啦 | 正面硬刚ADAS车道线落地的困难点

近年来，自动驾驶汽车和智能交通系统的显著进步彻底改变了作者对交通未来的设想。开发此类系统的核心是能够准确检测和解释道路上的车道，使车辆能够安全高效地行驶。

06

Drone-YOLO：一种有效的无人机图像目标检测

无人机图像中的目标检测是各个研究领域的重要基础。然而，无人机图像带来了独特的挑战，包括图像尺寸大、检测对象尺寸小、分布密集、实例重叠和照明不足，这些都会影响对象检测的有效性。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭