我爱计算机视觉

关注公众号，获取更多AI领域发展机会项目介绍光学传感器在农业食品领域被广泛用于测量和监测产品质量。鲁汶大学的Livestock Technology 小组，开发了创新和定制的近红外光谱传感器，以测量从奶牛乳房中提取的原奶的成分。所获得的信息可实时用于根据牛奶的特性进行分离，以保障所交付牛奶的质量，或创造具有独特特性的牛奶产品。该项目的主要目标是实施、优化和验证不同的稳定校...

关注公众号，发现CV技术之美为了克服在合成数据集上训练的去雾模型的过拟合问题，许多最近的方法试图使用非成对数据进行训练来提高模型的泛化能力。然而其中大多数方法仅仅简单地遵循 CycleGAN 的思路构建去雾循环和上雾循环，却忽略了现实世界中雾霾环境的物理特性，即雾霾对物体可见度的影响随深度和雾气密度而变化。在本文中，我们提出了一种自增强的图像去雾框架，称为D4（Dehaz...

关注公众号，发现CV技术之美本文分享 CVPR2020 Oral 的一篇经典工作。论文为『Camouflaged Object Detection』，南开&武大&ETH提出用于伪装目标检测SINet，代码已开源！详细信息如下：论文地址：https://openaccess.thecvf.com/content\_CVPR\_2020/papers/Fan\...

关注公众号，发现CV技术之美Xintao大佬团队的又一力作，本篇论文『AnimeSR: Learning Real-World Super-Resolution Models for Animation Videos』针对真实动漫VSR提出了一个新的动画数据集，此外将真实世界降质算子扩展成可学习的算子，在NIQE等评价指标上实现了SOTA。作者单位：腾讯PCG ARC实验...

关注公众号，发现CV技术之美视觉系统是通过观测世界获得图像，进而实现视觉功能的系统。人的视觉系统包括眼睛、神经网络、大脑皮层等。随着科技的进步，由计算机和电子设备构成的人造视觉系统越来越多，它们试图实现并改善人的视觉系统。人造视觉系统主要将数字图像作为系统的输入。视觉系统流程从功能来看，2D视觉系统需要能够采集客观场景的图像，对图像进行加工（预处理），改善图像质量，再将其...

在计算机视觉领域，目标检测发展迅速，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体、光伏组件等产品的缺陷检测中，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视觉在缺陷检测的实际应用带来了诸多挑战。随着制造工艺越来越复杂，对于检测的准确性和稳定性要求越来越高，...

关注公众号，发现CV技术之美本文分享『REVIVE: Regional Visual Representation Matters in Knowledge-BasedVisual Question Answering』，VQA不只需要图片，还需要外部知识！华盛顿大学&微软提出提出REVIVE，用GPT-3和Wikidata来辅助回答问题！详细信息如下：论文链接...

关注公众号，发现CV技术之美为贯彻“尊重知识、尊重人才、尊重创造”的方针，通过奖励机制充分调动我国图像图形学领域科技工作者的积极性和创造性，推进图像图形学技术领域的科技创新与产业发展，中国图象图形学学会（以下简称CSIG）设立系列奖项，现启动2022年度奖励推荐与评选工作。推荐奖项CSIG自然科学奖CSIG技术发明奖CSIG科技进步奖CSIG高等教育教学成果奖CSIG青年...

本文分享论文『Structured Two-stream Attention Network for Video Question Answering』，由电子科大（申恒涛团队）&京东AI（梅涛团队）提出用于视频问答的结构化双流注意网络，性能SOTA！优于基于双视频表示的方法！详细信息如下：论文链接：https://arxiv.org/abs/2206.01017...

关注公众号，发现CV技术之美本文分享论文『Siamese Image Modeling for Self-Supervised Vision Representation Learning』，由清华（黄高组）&商汤（代季峰组）&上海AI Lab&CUHK提出Siamese Image Modeling，兼具linear probing和密集预测性能...

关注公众号，发现CV技术之美本文分享论文『Self-Supervised Visual Representation Learning with Semantic Grouping』，无需人工先验！港大&同济&LunarAI&旷视（张祥雨团队）提出基于语义分组的自监督视觉表征学习，显著提升目标检测、实例分割和语义分割任务！详细信息如下：论文链接：h...

关注公众号，发现CV技术之美本文分享论文『Multimodal Masked Autoencoders Learn Transferable Representations』，思考：多模态数据也能进行MAE？UC Berkeley&Google提出M3AE，在图像和文本数据上进行MAE！文本的最优掩蔽率可达75%，显著高于BERT的15%！详细信息如下：论文链接：...

关注公众号，发现CV技术之美本文分享CVPR 2022论文『MViTv2: Improved Multiscale Vision Transformers for Classification and Detection』，Meta&UC Berkeley基于池化自注意力机制提出通用多尺度视觉Transformer，在ImageNet分类准确率达88.8%！代...

关注公众号，发现CV技术之美本文分享 CVPR 2022 Oral 论文『A-ViT: Adaptive Tokens for Efficient Vision Transformer』，英伟达提出自适应token的高效视觉Transformer网络A-ViT，大大提高模型的吞吐量！详细信息如下：论文链接：https://arxiv.org/pdf/2112.07658....

关注公众号，发现CV技术之美本文分享 CVPR 2022 论文『Cross-Architecture Self-supervised Video RepresentationLearning』，提出问题：不同网络结构的特征也能进行对比学习？并由蚂蚁&美团&南大&阿里提出跨架构自监督视频表示学习方法CACL，在视频检索和动作识别任务上SOTA！详细...

关注公众号，发现CV技术之美本文分享论文『HIRL: A General Framework for Hierarchical Image Representation Learning』，让SSL的性能更上一层楼！上交&字节&montreal提出分层图像表示学习的通用框架HIRL，提升多个自监督学习算法的性能！代码已开源！详细信息如下：论文链接：http...

目标检测是计算机视觉领域的一大任务，大致分为一阶段目标检测与两阶段目标检测。其中一阶段目标检测模型以YOLO系列为代表。YOLO算法的最大优点就是速度极快，每秒可处理45帧，也能够理解一般的对象表示。从个人学习来看：优秀的计算机视觉工程师，目标检测的学习避免不了，而目标检测的核心就是YOLO。YOLO系列也一直在发展，对于它的学习迫在眉睫。从职业发展来看：YOLO一直是应...

关注公众号，发现CV技术之美深度学习最令人兴奋的应用之一是智能照片美化，例如为黑白图像着色、破损图片修复以及去模糊等。以黑白图像着色为例，通过将 AI 与照片着色相结合，即使不会使用Photoshop 等图片编辑工具，为黑白照片着色也可以一键完成。这具体是如何实现的？下面就来告诉你！1颜色空间当我们加载图像时，会得到一个3维（高度、宽度、颜色通道）数组，其中颜色通道的数据...

关注公众号，发现CV技术之美本文分享论文『MoCoViT: Mobile Convolutional Vision Transformer』，由字节跳动提出轻量级高效新型网络MoCoViT，在分类、检测等CV任务上性能优于GhostNet、MobileNetV3！详细信息如下：论文链接：https://arxiv.org/abs/2205.12635 01...

关注公众号，发现CV技术之美本文分享 AAAI 2022 论文『Task-Customized Self-Supervised Pre-training with Scalable Dynamic Routing』，思考预训练的数据不是越多越好？并由港科大&华为诺亚实验室提出具有可扩展动态路由的自监督预训练范式SDRNet，在分类和检测任务上SOTA！详细信息如下...