亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

近年來隨著計算機視覺領域的不斷發展，三維場景的語義分割和形狀補全受到學術界和工業界的廣泛關注.其中，語義場景補全是這一領域的新興研究，該研究以同時預測三維場景的空間布局和語義標簽為目標，在近幾年得到快速發展.本文對近些年該領域提出的基于RGB-D圖像的方法進行了分類和總結.根據有無使用深度學習將語義場景補全方法劃分為傳統方法和基于深度學習的方法兩大類.其中，對于基于深度學習的方法，根據輸入數據類型將其劃分為基于單一深度圖像的方法和基于彩色圖像聯合深度圖像的方法.在對已有方法分類和概述的基礎上，本文對語義場景補全任務所使用的相關數據集進行了整理，并分析了現有方法的實驗結果.最后，本文總結了該領域面臨的挑戰和發展前景.

單圖像超分辨率(SISR)是圖像處理中的一項重要任務，其目的是提高成像系統的分辨率。近年來，在深度學習(deep learning, DL)的幫助下，SISR取得了巨大的飛躍，并取得了可喜的成果。在本文中，我們概述了基于深度學習的SISR方法，并根據它們的目標，如重建效率、重建精度和感知精度進行分組。具體地，首先介紹了問題的定義、研究背景和研究意義。其次，介紹了相關工作，包括基準數據集、上采樣方法、優化目標和圖像質量評價方法。第三，詳細介紹了系統集成研究的基本原理，并給出了系統集成研究的一些具體應用。第四，我們給出了一些經典的SISR方法的重構結果，直觀地了解了它們的性能。最后，本文還討論了該研究中存在的一些問題，并總結了一些新的發展趨勢和未來的發展方向。這是對SISR的詳細調研，有助于研究者更好地理解SISR，并激發更多的研究。關于SISR的調研項目見//github.com/CV-JunchengLi/SISR-Survey。

引言

圖像超分辨率，特別是單圖像超分辨率是一種圖像轉換任務，受到了學術界和工業界的越來越多的關注。如圖1所示，SISR的目標是從退化的低分辨率(LR)圖像重建超分辨率(SR)圖像。它被廣泛應用于各種計算機視覺應用，包括安全和監控圖像、醫學圖像重建、視頻增強和圖像分割。

許多SISR方法的研究由來已久，如基于插值的雙三次插值和Lanczos重采樣[1]。然而，SISR是一個固有的不適定問題，總是存在多個HR圖像對應一個原始LR圖像。為了解決這一問題，一些數值方法利用先驗信息來限制重構的解空間，如基于邊緣的方法[2]和基于圖像統計的方法[3]。同時，也有一些被廣泛使用的學習方法，如鄰居嵌入方法[4]和稀疏編碼方法[5]，這些方法假設LR和HR patch之間存在轉換。

最近，深度學習(DL)[6]在許多人工智能領域表現出比傳統機器學習模型更好的性能，包括計算機視覺[7]和自然語言處理[8]。隨著DL技術的快速發展，許多基于DL的方法被提出用于SISR，不斷地推動了SOTA的發展。與其他圖像變換任務一樣，SISR任務一般分為三個步驟:特征提取與表示、非線性映射和圖像重構[9]。在傳統的數值模型中，設計滿足這些過程的算法既費時又低效。相反，DL可以將SISR任務轉移到一個幾乎端到端的框架中，包含所有這三個過程，這可以大大減少人工和計算費用[10]。此外，考慮到SISR的病態性質會導致結果不穩定和難以收斂，DL可以通過有效的網絡結構和損失函數設計來緩解這個問題。此外，現代GPU使更深、更復雜的DL模型能夠快速訓練，表現出比傳統數值模型更強的表示能力。

眾所周知，基于深度學習的方法可以分為監督方法和非監督方法。這是最簡單的分類標準，但這個分類標準的范圍太大，不清楚。因此，許多技術上不相關的方法可能被歸為同一類型，而策略相似的方法可能被歸為完全不同的類型。不同于以往的基于DL的SISR調研[11]、[12]以監督為分類標準或以純文獻的方式介紹方法，本次調研試圖對基于DL的SISR方法進行全面概述，并根據其具體目標進行分類。在圖2中，我們展示了這次調研查的內容和分類。顯然，我們將基于DL的SISR方法分為四類:重構效率方法、重構精度方法、感知質量方法和進一步改進方法。本調研有明確的背景，便于讀者查閱。具體來說，本文首先介紹了SISR的問題定義、研究背景和意義。然后介紹了相關的工作，包括基準數據集、上樣本方法、優化目標和評價方法。在此基礎上，詳細介紹了各種方法，并給出了它們的重建結果。最后，本文還討論了該技術存在的一些問題，并提出了一些新的發展方向和方向。總的來說，本次綜述的主要貢獻如下:

• (1) 根據基于dl的SISR方法的目標，對其進行了全面的概述。這是一個新的視角，使調研有一個清晰的背景，便于讀者查閱。

• (2) 本綜述涵蓋了100多種SR方法，并介紹了近年來SISR擴展的一系列新任務和特定領域的應用。

• (3) 我們提供了詳細的重構結果對比，包括經典的、最新的和SOTA SISR方法，幫助讀者直觀地了解它們的性能。

• (4) 討論了SISR存在的一些問題，總結了一些新的發展趨勢和未來的發展方向。

摘要： 隨著互聯網上多媒體數據的爆炸式增長,單一模態的檢索已經無法滿足用戶需求,跨模態檢索應運而生。跨模態檢索旨在以一種模態的數據去檢索另一種模態的相關數據,其核心任務是數據特征提取和不同模態間數據的相關性度量。文中梳理了跨模態檢索領域近期的研究進展,從傳統方法、深度學習方法、手工特征的哈希編碼方法以及深度學習的哈希編碼方法等角度歸納論述了跨模態檢索領域的研究成果。在此基礎上,對比分析了各類算法在跨模態檢索常用標準數據集上的性能。最后,分析了跨模態檢索研究存在的問題,并對該領域未來發展趨勢以及應用進行了展望。

//www.jsjkx.com/CN/10.11896/jsjkx.200800165

摘 要：小目標檢測長期以來是計算機視覺中的一個難點和研究熱點。在深度學習的驅動下，小目標 檢測已取得了重大突破，并成功應用于國防安全、智能交通和工業自動化等領域。為了進一步促進小 目標檢測的發展，本文對小目標檢測算法進行了全面的總結，并對已有算法進行了歸類、分析和比較。首先，對小目標進行了定義，并概述小目標檢測所面臨的挑戰。然后，重點闡述從數據增強、多尺度學 習、上下文學習、生成對抗學習以及無錨機制等方面來提升小目標檢測性能的方法，并分析了這些方法 的優缺點和關聯性。之后，全面介紹小目標數據集，并在一些常用的公共數據集上對已有算法進行了 性能評估。最后本文對小目標檢測技術的未來發展方向進行了展望。

小目標檢測一直是目標檢測領域中的熱點和難點，其主要挑戰是小目標像素少，難以提取有效的特征信息.近年來，隨著深度學習理論和技術的快速發展，基于深度學習的小目標檢測取得了較大進展，研究者從網絡結構、訓練策略、數據處理等方面入手，提出了一系列用于提高小目標檢測性能的方法.該文對基于深度學習的小目標檢測方法進行詳細綜述，按照方法原理將現有的小目標檢測方法分為基于多尺度預測、基于數據增強技術、基于提高特征分辨率、基于上下文信息，以及基于新的主干網絡和訓練策略等5類方法，全面分析總結基于深度學習的小目標檢測方法的研究現狀和最新進展，對比分析這些方法的特點和性能，并介紹常用的小目標檢測數據集.在總體梳理小目標檢測方法的研究進展的基礎上，對未來的研究方向進行展望.

//journal.bjut.edu.cn/article/2021/0254-0037/20210310.html

單幅圖像超分辨率重建是計算機視覺領域上的一個重要問題, 在安防視頻監控、飛機航拍以及衛星遙感等方面具有重要的研究意義和應用價值. 近年來, 深度學習在圖像分類、檢測、識別等諸多領域中取得了突破性進展, 也推動著圖像超分辨率重建技術的發展. 本文首先介紹單幅圖像超分辨率重建的常用公共圖像數據集; 然后重點闡述基于深度學習的單幅圖像超分辨率重建方向的創新與進展; 最后討論了單幅圖像超分辨率重建方向上存在的困難和挑戰, 并對未來的發展趨勢進行了思考與展望.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190859

摘要： 隨著深度學習技術的快速發展，許多研究者嘗試利用深度學習來解決文本分類問題，特別在卷積神 經網絡和循環神經網絡方面，出現了許多新穎且富有成效的分類方法。本文對基于深度神經網絡的文本分類問題進行分析。分類介紹基于深度學習的文本分類方法，研究卷積神經網絡、循環神經網絡、注意力機 制等方法在文本分類中的應用和發展，分析不同深度學習文本分類方法的特點和性能，從準確率和運行時 間方面對基礎網絡結構進行比較。已有研究和本文實驗結果表明，深度神經網絡方法的分類性能超過了傳 統的機器學習方法，卷積神經網絡具有良好的分類性能。分析當前深度文本分類模型的不足，并對未來的 研究方向進行展望。

//www.ecice06.com/CN/10.19678/j.issn.1000-3428.0059099

文本分類技術經歷了從專家系統到機器學習再到深度學習的發展過程。上世紀 80 年代 以前，基于規則系統的文本分類方法需要領域專家定義一系列分類規則，通過規則匹配判斷 文本類別。基于規則的分類方法容易理解，但該方法依賴專家知識，構建成本高，系統可移 植性差。到上世紀 90 年代，機器學習技術逐漸走向成熟，出現了許多經典的文本分類算法， 如決策樹[1]、樸素貝葉斯[2]、支持向量機[3]、最大熵[4]、最近鄰方法[5]等，這些方法部分克服 了前述缺點，一定程度上實現了分類器的自動生成，被廣泛應用的各個領域，但其缺點是在 構建分類器之前，通常需要繁雜的人工特征工程。2012 年開始，深度學習算法引起了越來 越多人的關注，深度學習為機器學習建模提供了一種直接端到端的解決方案，避免了復雜的 特征工程。Golve[6]和 word2vec[7]等詞向量模型的提出，為深度學習算法應用到文本處理領域 上鋪平了道路，隨后出現了各種基于深度神經網絡的文本分類方法，這些方法主要采用了卷 積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural networks， RNN）、注意力機制（attention mechanism）等深度學習技術，并且取得了比傳統方法更為 出色的性能。近年來，圖卷積網絡（graph convolutional network，GCN）、區域嵌入（region embedding）、元學習（meta-learning）等一些新的深度學習方法也被應用到文本分類領域。本文對基于深度神經網絡的文本分類技術進行了介紹和分析，將詳細介紹卷積神經網 絡、循環神經網絡、組合模型、注意力機制等方法在文本分類中的應用和發展，分析各類方 法的特點以及之間的區別，對不同方法的性能表現和適用場景進行分析比較，討論在應用深度學習方法處理文本分類任務時應當注意的問題，最后指出未來的研究方向。

摘要：近年來,基于深度學習的表面缺陷檢測技術廣泛應用在各種工業場景中.本文對近年來基于深度學習的表面缺陷檢測方法進行了梳理,根據數據標簽的不同將其分為全監督學習模型方法、無監督學習模型方法和其他方法三大類,并對各種典型方法進一步細分歸類和對比分析,總結了每種方法的優缺點和應用場景.本文探討了表面缺陷檢測中三個關鍵問題,介紹了工業表面缺陷常用數據集.最后,對表面缺陷檢測的未來發展趨勢進行了展望.

摘要： 目標檢測算法應用廣泛,一直是計算機視覺領域備受關注的研究熱點。近年來,隨著深度學習的發展,3D圖像的目標檢測研究取得了巨大的突破。與2D目標檢測相比,3D目標檢測結合了深度信息,能夠提供目標的位置、方向和大小等空間場景信息,在自動駕駛和機器人領域發展迅速。文中首先對基于深度學習的2D目標檢測算法進行概述;其次根據圖像、激光雷達、多傳感器等不同數據采集方式,分析目前具有代表性和開創性的3D目標檢測算法;結合自動駕駛的應用場景,對比分析不同 3D 目標檢測算法的性能、優勢和局限性;最后總結了3D目標檢測的應用意義以及待解決的問題,并對 3D 目標檢測的發展方向和新的挑戰進行了討論和展望。