【今日CS 视觉论文速览】Mon, 18 Feb 2019

最新推荐文章于 2022-09-01 15:52:59 发布
最新推荐文章于 2022-09-01 15:52:59 发布
阅读量523 收藏 1
点赞数
分类专栏： 视觉 目标检测 深度学习 机器学习 计算机视觉 点云 Papers 文章标签： Paper Computervision
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014636245/article/details/87606658
版权
Papers 同时被 3 个专栏收录
458 篇文章 100 订阅
订阅专栏
计算机视觉
379 篇文章 71 订阅
订阅专栏
视觉
286 篇文章 54 订阅
订阅专栏

今日CS.CV计算机视觉论文速览
Mon, 18 Feb 2019
Totally 18 papers

在这里插入图片描述

Interesting:

?LFFN用于单图超分辨的轻量级特征融合网络, 研究探索了多尺度内容特征并基于最大化SISR极大减少了网络参数。网络模型建立在纺锤单元和特征融合模块上，其中纺锤快由扩维单元、特征探索单元和特征精炼单元组成。扩维层探索了低维到高维的适用于下一阶段的特征图、特征探索单元在不同特征图上进行了线性和非线性的特征探索、最后特征融合精炼各级特征。SFFM（softmax feature fusion module）基于自适应学习融合不同特征将各层级的信息用少量参数充分利用起来。(from 清华深研院)
模型架构：
在这里插入图片描述
纺锤快构造：
在这里插入图片描述
融合模块的构造：
在这里插入图片描述
结果：
在这里插入图片描述
相关方法：
在这里插入图片描述
相关数据集：Set5 [21], Manga109[22], BSD100 [23], Urban100 [24].

?生物医学图像领域的三个问题，通过交互式机器学习提高体渲染的质量和效率、通过迁移学习实现更好的预处理并在阿尔茨海默症上得到更好的训练结果、利用Tversky损失有效解决了分割问题中的数据不平衡问题。（from 加拿大瑞尔森大学多媒体实验室）
在这里插入图片描述

  1. Case Study I:https://github.com/naimulkhan/SOMVolRen
  2. Case Study II: https://github.com/marciahon29/AlzheimersProject/
  3. Case Study III: https://github.com/nabsabraham/focal-tversky-unet
    阿尔茨海默数据集：http://adni.loni.usc.edu/

?街景数据集Street Scene与异常检测，(from 北卡州立大学 剑桥)
常见的街景数据集和异常行为：
在这里插入图片描述
在这里插入图片描述
两种算法：
Track-Based Detection Criterion
Region-Based Detection Criterion
在这里插入图片描述在这里插入图片描述

?用于遥感图像检索的三元网络,(from 诺丁汉宁波)
在这里插入图片描述
dataset:PatternNet

?基于多模态注意力迁移嵌入的视觉关系网络,在低维度空间中探索了物体间的空间-语言关系。(from 雅典技术大学)
VDR数据集
模型架构：
在这里插入图片描述
相关工作：
在这里插入图片描述
一些结果：
在这里插入图片描述

Daily Computer Vision Papers

[1] **Title: Machine Learning on Biomedical Images: Interactive Learning, Transfer Learning, Class Imbalance, and Beyond
Authors:Naimul Mefraz Khan, Nabila Abraham, Ling Guan
[2] **Title: Street Scene: A new dataset and evaluation protocol for video anomaly detection
Authors:Barathkumar Ramachandra, Michael Jones
[3] *Title: Deeply Supervised Multimodal Attentional Translation Embeddings for Visual Relationship Detection
Authors:Nikolaos Gkanatsios, Vassilis Pitsikalis, Petros Koutras, Athanasia Zlatintsi, Petros Maragos
[4] Title: Enhancing Remote Sensing Image Retrieval with Triplet Deep Metric Learning Network
Authors:Rui Cao, Qian Zhang, Jiasong Zhu, Qing Li, Qingquan Li, Bozhi Liu, Guoping Qiu
[5] *Title: Unsupervised shape and motion analysis of 3822 cardiac 4D MRIs of UK Biobank
Authors:Qiao Zheng, Hervé Delingette, Kenneth Fung, Steffen E. Petersen, Nicholas Ayache
[6] **Title: Lightweight Feature Fusion Network for Single Image Super-Resolution
Authors:Wenming Yang, Wei Wang, Xuechen Zhang, Shuifa Sun, Qingmin Liao
[7] *Title: Breaking the Spatio-Angular Trade-off for Light Field Super-Resolution via LSTM Modelling on Epipolar Plane Images
Authors:Hao Zhu, Mantang Guo, Hongdong Li, Qing Wang, Antonio Robles-Kelly
[8] Title: Cycle-Consistency for Robust Visual Question Answering
Authors:Meet Shah, Xinlei Chen, Marcus Rohrbach, Devi Parikh
[9] Title: Massively Parallel Benders Decomposition for Correlation Clustering
Authors:Margret Keuper, Maneesh Singh, Julian Yarkony
[10] *Title: TMAV: Temporal Motionless Analysis of Video using CNN in MPSoC
Authors:Somdip Dey, Amit K. Singh, Dilip K. Prasad, Klaus D. McDonald-Maier
[11] **Title: Going Deep in Medical Image Analysis: Concepts, Methods, Challenges and Future Directions
Authors:Fouzia Altaf, Syed M. S. Islam, Naveed Akhtar, Naeem K. Janjua
[12] **Title: GeoGAN: A Conditional GAN with Reconstruction and Style Loss to Generate Standard Layer of Maps from Satellite Images
Authors:Swetava Ganguli, Pedro Garzon, Noa Glaser
[13] Title: Improving Catheter Segmentation & Localization in 3D Cardiac Ultrasound Using Direction-Fused FCN
Authors:Hongxu Yang, Caifeng Shan, Alexander F. Kolen, Peter H.N. de With
[14] **Title: Estimation of blood oxygenation with learned spectral decoloring for quantitative photoacoustic imaging (LSD-qPAI)
Authors:Janek Gröhl, Thomas Kirchner, Tim Adler, Lena Maier-Hein
[15] Title: Network Offloading Policies for Cloud Robotics: a Learning-based Approach
Authors:Sandeep Chinchali, Apoorva Sharma, James Harrison, Amine Elhafsi, Daniel Kang, Evgenya Pergament, Eyal Cidon, Sachin Katti, Marco Pavone
[16] **Title: Lipschitz Generative Adversarial Nets
Authors:Zhiming Zhou, Jiadong Liang, Yuxuan Song, Lantao Yu, Hongwei Wang, Weinan Zhang, Yong Yu, Zhihua Zhang
[17] Title: Can Intelligent Hyperparameter Selection Improve Resistance to Adversarial Examples?
Authors:Cody Burkard, Brent Lagesse
[18] *Title: Adversarially Approximated Autoencoder for Image Generation and Manipulation
Authors:Wenju Xu, Shawn Keshmiri, Guanghui Wang

Papers from arxiv.org

更多精彩请移步主页

在这里插入图片描述
pic from pixels.com

hitrjj
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用于鲁棒性视觉问答的循环一致性模型《Cycle-Consistency for Robust Visual Question Answering》
xiashilin的博客
11-04 1798
目录 一、文献摘要介绍 二、网络框架介绍 三、实验分析 四、结论 本文有点长，请耐心阅读，定会有收货。如有不足，欢迎交流 附: 论文下载 一、文献摘要介绍 Despite signifificant progress in Visual Question Answering over the years, robustness of today’s VQA models ...
Cycle-Consistency for Robust Visual Question Answering阅读笔记
gxc19971128的博客
02-23 916
近日看了一篇CVPR的文章：《Cycle-Consistency for Robust Visual Question Answering》，即“用于鲁棒性视觉问答的循环一致性模型”。 感兴趣的同学可参考原文：Cycle-Consistency for Robust Visual Question Answering 目录 一.abstract 二.文章精读 2.1Introductio...
【论文笔记】Street Scene: A new dataset and evaluation protocol for video anomaly detection
weixin_44174163的博客
11-23 842
关键词：WACV2020、 1.介绍 作者观点：现状——数据集小、评估标准有缺陷 作者提出：1.Street Scence数据集，大型、多样、高分辨率 2.现有评估标准 ①.帧级（frame-level）： 将检测到有任何异常像素的帧记为positive，其他帧记negative。 然后用帧级地面真实值的注释，来确定检测到的帧是真阳性还是假阳性。 该准则不使用空间定位，即使检测到的异常像素不与任何地面真实值异常像素重叠，也将这一帧记为true positive。 ②.像素级（pixel-level） 仍是计
异常检测 | Street Scene
LiRongLu_的博客
04-05 3442
提出了2种基准算法，以便将来在他们新发布的数据集Street Scene上进行比较。他们使用简单的最近邻位置相关的异常检测方案，使用手工制作的视频块表示（光流场或模糊的前景掩模）和手工制作的距离测量（分别为Ｌ１或Ｌ２归一化体素方向的距离）．通过从训练数据中构建一个简洁的代表性范例模型，极大地减少了距离计算的次数。 这些简单的方法能够在其他数据集上胜过以前的一些先进的方法，这可能表明算法已经发展出了针对特定数据集的倾向．
【论文分享】GeoGAN：从卫星图像中生成地图的标准层
zn0412的博客
07-22 1801
GeoGAN: A Conditional GAN with Reconstruction and Style Loss to Generate Standard Layer of Maps from Satellite Images论文翻译
2019斯坦福李飞飞CS213n计算机视觉公开课全部最新资料.rar
03-14
本资源“2019斯坦福李飞飞CS213n计算机视觉公开课全部最新资料.rar”是一个珍贵的学习资源，包含了由著名AI专家李飞飞教授在2019年在斯坦福大学讲授的CS213n课程的所有材料。这个压缩包旨在为学生和研究人员提供一个...
斯坦福CS231n李飞飞计算机视觉课程 全部讲义
04-01
综上所述，CS231n课程的讲义将带领学生全面了解计算机视觉领域的基本概念、深度学习技术以及实际应用，为学生在该领域进行深入研究或开发打下坚实基础。通过阅读这些讲义，读者不仅可以获得理论知识，还能了解到当前...
CS231n 斯坦福深度视觉识别课件pdf
08-06
《CS231n 斯坦福深度视觉识别课件》是深度学习领域的经典教材，由斯坦福大学提供，旨在引领初学者进入深度学习的世界，特别是聚焦于视觉识别任务。本课程涵盖了从基础理论到实际应用的广泛内容，通过16个章节的深入...
斯坦福Cs231n计算机视觉课件.zip
02-17
斯坦福大学的CS231n课程，全称为"Convolutional Neural Networks for Visual Recognition"（用于视觉识别的卷积神经网络），是计算机视觉领域的经典课程之一。 【CS231n】由斯坦福大学的教授和研究人员讲授，覆盖了...
[CS131]2017斯坦福cs131计算机视觉课程ppt
03-25
[CS131]2017斯坦福cs131课程ppt 笔记和课后作业由于上传空间有限在另外一个地址 大家关注公众号“计算机视觉这件小事”或者“AI-ming3526” 回复关键字“cs131”免费获取源码资源
Deep Learning for Medical Image Analysis- Academic Press (2017).pdf
05-11
Deep learning is providing exciting solutions for medical image analysis problems and is seen as a key method for future applications. This book gives a clear understanding of the principles and methods of neural network and deep learning concepts, showing how the algorithms that integrate deep learning as a core component have been applied to medical image detection, segmentation and registration, and computer-aided analysis, using a wide variety of application areas. Deep Learning for Medical Image Analysis is a great learning resource for academic and industry researchers in medical imaging analysis, and for graduate students taking courses on machine learning and deep learning for computer vision and medical image computing and analysis. Covers common research problems in medical image analysis and their challenges Describes deep learning methods and the theories behind approaches for medical image analysis Teaches how algorithms are applied to a broad range of application areas, including Chest X-ray, breast CAD, lung and chest, microscopy and pathology, etc. Includes a Foreword written by Nicholas Ayache
Going Deep in Medical Image Analysis
12-31
Going Deep in Medical Image Analysis：Concepts, Methods, Challenges and Future Directions --深入医学图像分析：概念，方法，挑战和未来方向；此文章2019年发表于Computer Vision and Pattern Recognition期刊，讲解了深度学习各框架在医疗图像各领域的应用与挑战，对各个网络结构进行了大量的分析，非常好的一片文章。本人进行了翻译，可进行中英文对照阅读。
Deep Learning for Medical Image Analysis
01-31
Foreword Computational Medical Image Analysis has become a prominent field of research at the intersection of Informatics, Computational Sciences, and Medicine, supported by a vibrant community of researchers working in academics, industry, and clinical centers. During the past few years, Machine Learning methods have brought a revolution to the Computer Vision community, introducing novel efficient solutions to many image analysis problemsthat had long remained unsolved.For this revolution to enter the field of Medical Image Analysis, dedicated methods must be designed which take into account the specificity of medical images. Indeed, medical images capture the anatomy and physiology of patients through the measurements of geometrical, biophysical, and biochemical properties of their living tissues. These images are acquired with algorithms that exploit complex med- ical imaging processes whose principles must be well understood as well as those governing the complex structures and functions of the human body. The book Deep Learning for Medical Image Analysis edited by S. Kevin Zhou, Hayit Greenspan, and Dinggang Shen, top-notch researchers from both academia and industry in designing machine learning methods for medical image analysis, cov- ers state-of-the-art reviews of deep learning approaches for medical image analysis, including medical image detection/recognition, medical image segmentation, medi- cal image registration, computer aided diagnosis and disease quantification, to name some of the most important addressed problems. The book, which starts with an in- troduction to Convolutional Neural Networks for Computer Vision presents a set of novel deep learning methods applied to a variety of clinical problems and imaging modalities operating at various scales, including X-ray radiographies, Magnetic Res- onance Imaging, Computed Tomography, microscopic imaging, ultrasound imaging, etc. This impressive collection of excellent contributions will definitely se
【医学影像系列：二】2019 综述阅读 Going Deep in Medical Image Analysis:Concepts, Methods, Challenges and Future
鹿鹿的博客
05-26 2325
2019 arXiv Going Deep in Medical Image Analysis:Concepts, Methods, Challenges and Future Directions Method 医学图像分析主要包含的模式识别任务是 检测/定位、分割、配准、分类。常见的医学影像包括 Brain、Breast、Eye、Chest、Abdomen等。 检测/定位 分...
论文阅读：Deeply Supervised Multimodel Attentional Translation Embeddings for VRD(ICIP2019)
qq_40349484的博客
11-22 2250
论文题目太长打不下了，最后的VRD是Visual Relationship Detection，视觉关系检测，任务是检测和定位图上的多对object，然后分别对每一对object的交互关系（predicate）进行分类。对于SGG来说，就相当于只做predicate classification。 还是先放pipeline。 一、目标检测 最上面的两个箭头：提取单个物体的视觉特征 下面的箭头：提取物体对组成的union box的视觉特征 二、视觉关系预测 1.spatio-linguistic Atte
视频异常检测 综述（二）
最新发布
weixin_44636382的博客
09-01 5063
基于距离、概率、重构的视频异常检测概述
异常检测 | 基于Siamese网络学习距离函数来定位视频中的异常
LiRongLu_的博客
04-18 3614
关于Learning a distance function with a Siamese network to localize anomalies in videos论文学习 作者通过训练一个 Siamese 神经网络，将手工制作的表示和距离函数替换为学习的表示和距离函数，建立了简单的最近邻方案．Siamese 网络通过训练将视频块对分类为相似或不同，并用来找到与所有训练视频块不同的测试视频块，因此判定是异常的．从目标数据集的训练数据中学习一个样本模型......
【视频异常检测-论文阅读】Anomaly Detection in Video via Self-Supervised and Multi-Task Learning
小菜鸡的学习记录
07-24 3982
对象级别通过自监督和多任务学习来实现视频中的异常事件检测
异常检测 | 监控视频的异常检测与建模
LiRongLu_的博客
03-28 5536
关于<监控视频的异常检测与建模综述>学习———杨帆、肖斌、　於志文
CS4328: 18位立体声DA转换器技术详解
"CS4328是一款18位立体声数模转换器，适用于数字音频应用，具有完整的立体声DAC系统、8倍插值滤波器、64倍过采样Δ-Σ调制器、模拟后滤波器等功能。其特点包括可调整的系统采样率、120dB的信噪比、低时钟抖动敏感性...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值