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

目标检测/分割是否会提高分类精度？

目标检测/分割可以提高分类精度。

目标检测是指在图像或视频中识别和定位特定目标的任务，而目标分割则是将图像或视频中的目标从背景中分离出来。这两个技术在计算机视觉领域中被广泛应用。

通过目标检测/分割，可以提供更多关于图像或视频中目标的信息，从而帮助分类算法更准确地判断目标所属的类别。传统的分类算法通常只考虑整个图像的特征，而目标检测/分割可以提供更细粒度的目标信息，使得分类算法能够更好地理解目标的上下文和特征。

具体来说，目标检测/分割可以提供以下优势来提高分类精度：

上下文信息：目标检测/分割可以提供目标周围的上下文信息，使得分类算法能够更好地理解目标所处的环境和场景，从而更准确地进行分类。
特征丰富性：目标检测/分割可以提供更多的目标特征，例如目标的形状、纹理、颜色等，这些特征可以帮助分类算法更好地区分不同类别的目标。
目标定位：目标检测/分割可以准确地定位目标的位置，使得分类算法能够更有针对性地对目标进行分类，避免将背景中的干扰信息误判为目标。
数据增强：目标检测/分割可以生成更多的训练数据，通过将目标从图像中分割出来，可以得到更多的正样本和负样本，从而提高分类算法的泛化能力和鲁棒性。

目标检测/分割在许多领域都有广泛的应用场景，例如智能监控、自动驾驶、医学影像分析等。在腾讯云的产品中，可以使用腾讯云的图像识别服务（https://cloud.tencent.com/product/imagerecognition）来实现目标检测/分割，并结合腾讯云的机器学习平台（https://cloud.tencent.com/product/tiia）进行分类任务。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

微软亚洲研究院王井东：下一代视觉识别的通用网络结构是什么样的？丨CCF-GAIR 2020

2020 年 8 月 7 日，第五届全球人工智能与机器人峰会（CCF-GAIR 2020）在深圳正式开幕。

01

QueryDet：级联稀疏query加速高分辨率下的小目标检测（代码已开源）

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：https://arxiv.org/abs/2103.09136 代码（已开源）：https://github.com/ChenhongyiYang/QueryDet-PyTorch 计算机视觉研究院专栏作者：Edison_G 虽然深度学习的通用目标检测在过去几年中取得了巨大成功，但检测小目标的性能和效率却远不能令人满意。 01 概述促进小目标检测的最常见和最有效的方

03

继往开来！目标检测二十年技术综述

计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被研究学者广泛关注。

04

Container: Context Aggregation Network

卷积神经网络(CNNs)在计算机视觉中无处不在，具有无数有效和高效的变化。最近，Container——最初是在自然语言处理中引入的——已经越来越多地应用于计算机视觉。早期的用户继续使用CNN的骨干，最新的网络是端到端无CNN的Transformer解决方案。最近一个令人惊讶的发现表明，一个简单的基于MLP的解决方案，没有任何传统的卷积或Transformer组件，可以产生有效的视觉表示。虽然CNN、Transformer和MLP-Mixers可以被视为完全不同的架构，但我们提供了一个统一的视图，表明它们实际上是在神经网络堆栈中聚合空间上下文的更通用方法的特殊情况。我们提出了Container(上下文聚合网络)，一个用于多头上下文聚合的通用构建块，它可以利用Container的长期交互作用，同时仍然利用局部卷积操作的诱导偏差，导致更快的收敛速度，这经常在CNN中看到。我们的Container架构在ImageNet上使用22M参数实现了82.7%的Top-1精度，比DeiT-Small提高了2.8，并且可以在短短200个时代收敛到79.9%的Top-1精度。比起相比的基于Transformer的方法不能很好地扩展到下游任务依赖较大的输入图像的分辨率,我们高效的网络,名叫CONTAINER-LIGHT,可以使用在目标检测和分割网络如DETR实例,RetinaNet和Mask-RCNN获得令人印象深刻的检测图38.9,43.8,45.1和掩码mAP为41.3，与具有可比较的计算和参数大小的ResNet-50骨干相比，分别提供了6.6、7.3、6.9和6.6 pts的较大改进。与DINO框架下的DeiT相比，我们的方法在自监督学习方面也取得了很好的效果。

04

继往开来！目标检测二十年技术综述

计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被研究学者广泛关注。

01

一文览尽LiDAR点云目标检测方法

自动驾驶中的激光雷达点云如何做特征表达，将基于Lidar的目标检测方法分成了4类，即：基于BEV的目标检测方法，基于camera/range view的目标检测方法，基于point-wise feature的目标检测方法，基于融合特征的目标检测方法。本文对这4类方法讲解并总结，希望能帮助大家在实际使用中做出快速选择。

01

深度学习视觉研究综述

近年来，深度学习在计算机视觉各个领域中的应用成效显著，新的深度学习方法和深度神经网络模型不断涌现，算法性能被不断刷新。

04

杀疯了！YOLO再突破，提速20倍！！

YOLO再一次突破，新变体YOLO-World在目标检测领域的表现非常的出色。开集检测速度提升20倍！

01

工业视觉中的目标检测——兼谈天池大赛优胜方案

目标检测是计算机视觉领域研究最火热的方向，这从计算机视觉顶会CVPR相关论文数量就能看得出来。

02

无需预训练分类器，清华和旷视提出专用于目标检测的骨干网络DetNet

选自arXiv 作者：Zeming Li、Chao Peng、Gang Yu、Xiangyu Zhang、Yangdong Deng、Jian Sun 机器之心编译参与：路雪、刘晓坤基于当前用预训练分类器开发目标检测器的方法的固有缺陷，来自清华大学和旷视的研究者提出了专用于目标检测的骨干网络 DetNet。DetNet 可在保持高分辨率特征图和大感受野的同时，高效地执行目标检测任务，并可以自然地扩展到实例分割任务上。在 MSCOCO 数据集的目标检测和实例分割任务上，DetNet 都取得了当前最佳的结果

09

小目标Trick | Detectron2、MMDetection、YOLOv5都通用的小目标检测解决方案

近年来，目标检测在人脸检测、视频目标检测、视频监控、自动驾驶汽车等不同应用领域得到了广泛的研究。在这一领域，深度学习架构的采用导致产生了高度精确的方法，如Faster R-CNN、RetinaNet，进一步发展为Cascade R-CNN、VarifocalNet和变体。

02

实例分割综述（单阶段/两阶段/实时分割算法汇总）

目标检测或定位是数字图像从粗到细的一个渐进过程。它不仅提供了图像对象的类，还提供了已分类图像中对象的位置。位置以边框或中心的形式给出。语义分割通过对输入图像中每个像素的标签进行预测，给出了较好的推理。每个像素都根据其所在的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以定义为同时解决目标检测问题和语义分割问题的技术。本文对实例分割的背景、存在的问题、技术、发展、流行的数据集、相关工作以及未来的发展进行了讨论。本文为想在实例分割领域进行研究的人们提供了有价值的信息。

01

实例分割综述（单阶段/两阶段/实时分割算法汇总）

目标检测或定位是数字图像从粗到细的一个渐进过程。它不仅提供了图像对象的类，还提供了已分类图像中对象的位置。位置以边框或中心的形式给出。语义分割通过对输入图像中每个像素的标签进行预测，给出了较好的推理。每个像素都根据其所在的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以定义为同时解决目标检测问题和语义分割问题的技术。本文对实例分割的背景、存在的问题、技术、发展、流行的数据集、相关工作以及未来的发展进行了讨论。本文为想在实例分割领域进行研究的人们提供了有价值的信息。

01

目标检测究竟发展到了什么程度? | CVHub带你聊一聊目标检测发展的这22年

目标检测领域发展至今已有二十余载，从早期的传统方法到如今的深度学习方法，精度越来越高的同时速度也越来越快，这得益于深度学习等相关技术的不断发展。本文将对目标检测领域的发展做一个系统性的介绍，旨在为读者构建一个完整的知识体系架构，同时了解目标检测相关的技术栈及其未来的发展趋势。由于编者水平有限，本文若有不当之处还请指出与纠正，欢迎大家评论交流！

02

告别低分辨率网络，微软提出高分辨率深度神经网络HRNet | CVPR 2019

作者简介：孙可，中国科学技术大学信息学院在读博士生，目前在微软亚洲研究院视觉计算组实习，导师是王井东和肖斌老师。他的研究兴趣包括人体姿态估计、语义分割、图像分类等，曾在BMVC、ICCV、CVPR等国际顶级会议上发表过论文。

04

基于深度学习的弱监督目标检测

弱监督目标检测(WSOD)和定位(WSOL)，即使用图像级标签检测图像中包含边界框的多个或单个实例，是CV领域中长期存在且具有挑战性的任务。随着深度神经网络在目标检测中的成功，WSOD和WSOL都受到了前所未有的关注。在深度学习时代，已有数百种WSOD和WSOL方法和大量技术被提出。为此，本文将WSOL视为WSOD的一个子任务，并对近年来WSOD的成就进行了全面的综述。具体来说，我们首先描述了WSOD的制定和设置，包括产生的背景、面临的挑战、基本框架。同时，总结和分析了提高检测性能的各种先进技术和训练技巧。然后，介绍了目前广泛使用的WSOD数据集和评价指标。最后，讨论了WSOD的未来发展方向。我们相信这些总结可以为今后的WSOD和WSOL研究铺平道路。

02

YotoR：融合 Swin Transformer 和YoloR 的混合架构，提升目标检测性能

今天给大家介绍了YotoR（You Only Transform One Representation），这是一种新的目标检测深度学习模型，结合了Swin Transformers和YoloR架构。

01

全新范式 | 沈春华老师团队提出无需解码器的目标检测器DFFT

特别设计了一种新颖的轻量级面向检测的 Transformer 主干，它基于精心设计的消融研究有效地捕获具有丰富语义的低级特征。在 MS COCO 基准上进行的大量实验表明，DFFTSMALL 比 DETR 高出 2.5% AP，计算成本降低了 28%，训练 epoch 减少了 10 倍以上。与基于 Anchor 的检测器 RetinaNet 相比，DFFTSMALL 获得了超过 5.5% 的 AP 增益，同时降低了 70% 的计算成本。

03

全新范式 | 沈春华老师团队提出无需解码器的目标检测器DFFT

ViT 正在改变目标检测方法的格局。ViT 在检测中的一个自然用途是用基于Transformer的主干替换基于 CNN 的主干，这直接且有效，但代价是为推理带来了相当大的计算负担。更巧妙的做法是 DETR 系列，它消除了在目标检测中对许多手工设计组件的需求，但引入了需要超长收敛时间的解码器。因此，基于 Transformer 的目标检测无法在大规模应用中流行。为了克服这些问题，作者提出了一种完全基于Transformer且无解码器（DFFT）的目标检测器，首次在训练和推理阶段都实现了高效率。通过围绕2个切

02

Poly-YOLO：更快，更精确的检测（主要解决Yolov3两大问题，附源代码）

论文地址：https://arxiv.org/pdf/2005.13243.pdf

01

Swin Transformer V2！MSRA原班人马提出了30亿参数版本的Swin Transformer！

在本文中，作者提出了将Swin Transformer缩放到30亿个参数的技术，并使其能够使用高达1536×1536分辨率的图像进行训练。通过扩大容量和分辨率，Swin Transformer在四个具有代表性的视觉基准上创造了新的记录：ImageNet-V2图像分类的84.0%top-1 准确度，COCO目标检测上的63.1/54.4box / mask mAP ，ADE20K语义分割的59.9 mIoU ，以及Kinetics-400视频动作分类的86.8%top-1 准确度。目前，视觉模型尚未像NLP语言模型那样被广泛探索，部分原因是训练和应用中的以下差异:

02

Object Detection in 20 Years: A Survey

目标检测作为计算机视觉中最基本、最具挑战性的问题之一，近年来受到了广泛的关注。它在过去二十年的发展可以说是计算机视觉历史的缩影。如果我们把今天的物体检测看作是深度学习力量下的一种技术美学，那么让时光倒流20年，我们将见证冷兵器时代的智慧。本文从目标检测技术发展的角度，对近四分之一世纪(20世纪90年代至2019年)的400余篇论文进行了广泛的回顾。本文涵盖了许多主题，包括历史上的里程碑检测器、检测数据集、度量、检测系统的基本构件、加速技术以及最新的检测方法。本文还综述了行人检测、人脸检测、文本检测等重要的检测应用，并对其面临的挑战以及近年来的技术进步进行了深入分析。

05

计算机视觉研究院出品：目标检测的细节，你到底知道多少？

现在目标检测大部分就是如上图案例，针对较大目标还是可以精确检测到，然后利用检测到的物体进行下一步的输入，每个行业的场景使用不同，所以检测也是视觉的基石！

01

基于相机和低分辨率激光雷达的三维车辆检测

标题：3D Vehicle Detection Using Camera and Low-Resolution LiDAR Zhang, Rui Huang, Le Cui, Siyu Zhu, and Ping Tan

02

图片语义分割深度学习算法要点回顾

深度学习算法解决了数个难度级别逐渐上升的计算机视觉任务。在我先前的博文中，我已详细阐述了广为人知的两个任务：图像分类和目标检测。图像语义分割的难点在于将各个像素点分类到某一实例，再将各个实例（分类结果）与实体（大象，人，道路，天空等）一一对应。这任务即场景理解的一部分：深度学习模型怎样能更好地学习视觉内容的全局语境？

03

训练高分辨率图像任务，突破 GPU 内存限制，Jetson Nano 上也能起飞！

图像识别领域近年来取得了巨大进步，这得益于像AlexNet ，ResNet ，ViT 和Swin家族这样的突破性架构。这些架构擅长处理像ImageNet [5]这样的数据集，这些数据集主要包含分辨率低于一百万像素的自然图像。然而，许多关键应用依赖于对高分辨率图像的分析，以提取有关感兴趣目标的复杂细节。

01

基于深度学习的目标检测算法综述

目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。本文将针对目标检测（Object Detection）这个机器视觉中的经典任务进行解析，抛砖引玉。如对文中的内容持不同观点，欢迎到SIGAI公众号发消息给我们，一起探讨！

02

YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍！！

YOLO系列的核心思想就是把目标检测转变为一个回归问题，利用整张图片作为网络的输入，通过神经网络，得到边界框的位置及其所属的类别。

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

ForkGAN: Seeing into the Rainy Night

我们提出了一种用于任务无关图像翻译的ForkGAN，它可以在恶劣的天气条件下增强多个视觉任务。评估了图像定位/检索、语义图像分割和目标检测三项任务。关键的挑战是在没有任何明确监督或任务意识的情况下实现高质量的图像翻译。我们的创新是一种具有一个编码器和两个解码器的叉形生成器，可以解开域特定信息和域不变信息的纠缠。我们强制天气条件之间的循环转换通过公共编码空间，并确保编码特征不显示有关域的信息。实验结果表明，我们的算法产生了最先进的图像合成结果，并提高了三视觉任务在恶劣天气下的性能。

04

霸榜各大CV任务榜单，Swin Transformer横空出世！

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows（ArXiv21）

03

目标检测算法综述之FPN优化篇

目标检测（Object Detection）的任务是找出图像或视频中的感兴趣目标，同时实现输出检测目标的位置和类别信息，是计算机视觉领域的核心问题之一。随着2012年ImageNet兴起的CNN，目标测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。在网络结构的设计上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，各路大仙在backbone和特征提取、损失函数、NMS[1]、Anchor生成（free or no free）、IoU设计等各个环节分析短板，不断提高目标检测的性能。

02

即插即用 | Lite-FPN让CenterNet系列再涨4个点（3D检测也适用）

负责提供周围目标的精确3D边界框的3D目标检测是自动驾驶中必不可少的环境感知任务。最近，依靠激光雷达的精确深度测量，基于激光雷达的检测器取得了优异的性能。然而，LIDAR系统的一些固有缺陷，例如高成本和对不利天气条件的敏感性，不可避免地限制了这些方法的应用。相比之下，摄像机传感器更经济，在雨雪天气下更耐用，并且可以满足严格的车辆法规。

01

特定任务上下文解耦用于目标检测（Chat-GPT协助完成）

论文地址：https://arxiv.org/pdf/2303.01047.pdf

02

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

新技术：高效的自监督视觉预训练，局部遮挡再也不用担心！

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地址：https://arxiv.org/pdf/2206.00790.pdf 计算机视觉研究院专栏作者：Edison_G 计算机视觉的自监督学习取得了巨大的进步，并改进了许多下游视觉任务，例如图像分类、语义分割和对象检测。 01 概要简介计算机视觉的自监督学习取得了巨大的进步，并改进了许多下游视觉任务，例如图像分类、语义分割和对象检测。其中，生成式自监督视觉学习方法如M

04

南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏，让AI落地更进一步！！！

本文首发于【集智书童】，白名单账号转载请自觉植入本公众号名片并注明来源，非白名单账号请先申请权限，违者必究。

03

Feature Pyramid Networks for Object Detection

特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺度金字塔结构构造了具有边际额外成本的特征金字塔。提出了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。该体系结构称为特征金字塔网络(FPN)，作为一种通用的特征提取器，它在几个应用程序中得到了显著的改进。在一个基本的Fasater R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没有任何附加条件，超过了所有现有的单模型条目，包括来自COCO 2016挑战赛冠军的条目。此外，我们的方法可以在GPU上以每秒6帧的速度运行，因此是一种实用而准确的多尺度目标检测解决方案。

02

【目标检测算法50篇速览】2、检测网络检测网络设计范式的完善

【GiantPandaCV导读】到了第二章，检测网络已经发展到了将整个的检测任务都放在CNN中进行，也开始有学者探讨，CNN中每一层到底学到了什么信息。到此部分，现在通用的检测模型结构开始逐步的产生和完善，并向更高精度和更快速度迈进。

03

改进YOLOX | Push-IOU+Dynamic Anchor进一步提升YOLOX性能

近年来，自动驾驶汽车不断走进我们的视野中，面向自动驾驶的目标检测算法也成为了国内外的研究热点之一。安全可靠的自动驾驶汽车依赖于对周围环境的准确感知，以便及时做出正确的决策。目标检测是自动驾驶系统的关键任务之一，其主要的功能是检测前方道路上出现的目标的空间位置和目标类别。

05

【文本检测与识别-白皮书-3.1】第一节：常用的文本检测与识别方法

随着深度学习的快速发展，图像分类、目标检测、语义分割以及实例分割都取得了突破性的进展，这些方法成为自然场景文本检测的基础。基于深度学习的自然场景文本检测方法在检测精度和泛化性能上远优于传统方法，逐渐成为了主流。图1 列举了文本检测方法近几年来的发展历程。

03

15个产业级算法推出、35个高精度预训练模型上线！最强国产开源AI框架再进化，密集提升视觉产业实战能力

2项全新能力，4大重磅升级，35个高精度预训练模型上线，15个产业实践中广泛应用的视觉算法加持……

02

干货 | 万物皆可「计算机视觉」

想做计算机视觉？深度学习是最近的发展方向。大规模数据集加上深度卷积神经网络（CNNs）的表征能力使得超精确和稳健的模型成为可能。现在只剩下一个挑战：如何设计你的模型。

03

万字综述 | 自动驾驶多传感器融合感知

原文：Multi-modal Sensor Fusion for Auto Driving Perception: A Survey

01

DPN-双路径网络（图像分类）

在这篇文章中,我们会简要的回顾DPN网络。这是由新加坡国立大学，北京理工大学，国防科技大学和奇虎360人工智能研究所共同完成的作品。ResNet支持特征的重复使用,DenseNet支持新特征探索.而DPN结合了这两者的优点.最终,在图像分类任务中,DPN的输出结果明显优于ResNet,DenseNet,PolyNet和ResNeXt,并且在ILSVRC 2017 本地挑战赛中取得冠军.通过更好的主干网络，DPN还可以在目标检测和语义分割任务中获得目前最好的结果。DPN发表在2017的NIPS上，被引次数超过100篇。

03

我们应当如何理解视频中的人类行为？

最近 ICCV 2017 公布了论文录用的情况，我照例扫了一遍论文列表寻找感兴趣的文章。“What Actions are Needed for Understanding Human Actions

08

万字综述 | 自动驾驶多传感器融合感知

原文：Multi-modal Sensor Fusion for Auto Driving Perception: A Survey

03

22篇入选，15 篇 CVPR 2020 精选论文详解

近日，计算机视觉领域“奥斯卡”CVPR 2020官方公布论文收录结果，伴随投稿数量激增，接收率开始经历了一个持续下降的过程。今年，在6656篇有效投稿中，共有1470篇论文被接收，接收率为22%左右，相较去年25%的入选率，同比下降3%。

02

自动驾驶感知多任务框架 | MultiTask V3、HybridNets和YOLOP谁更强呢？

移动机器人中的感知系统，包括自动驾驶汽车和无人机，使用相机、激光雷达、雷达、IMU等传感器，GNSS等，以提供有关车辆在3D空间中位置的关键信息，并检测相关物体（如汽车、行人、骑自行车的人、红绿灯等）。

05

Spatial Attention Pyramid Network for Unsupervised Domain Adaptation

无监督域适配在各种计算机视觉任务重很关键，比如目标检测、实例分割和语义分割。目的是缓解由于域漂移导致的性能下降问题。大多数之前的方法采用对抗学习依赖源域和目标域之间的单模式分布，导致在多种场景中的结果并不理想。为此，在本文中，我们设计了一个新的空口岸注意力金字塔网络来进行无监督域适配。特别的，我们首先构建了空间金字塔表示来获得目标在不同尺度的内容信息。以任务指定的信息为引导，在每个尺度上，我们组合了密集的全局结构表示和局部纹理模式，有效的使用了空间注意力截止。采用这种方式，网络被强迫关注内容信息由区别力的地方来进行域适配。我们在各种由挑战性的数据集上进行了昂贵的实验，对目标检测、实例分割和语义分割进行了域适配，这证明了我们的方法比最佳的方法有了很大的提升。

03

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