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

無監督學習是機器學習的三個主要分支之一（以及監督學習和強化學習）。它也可以說是最不發達的分支。它的目標是通過發現和利用其隱藏結構來找到對輸入數據的簡約描述。據推測，與監督學習相比，這更讓人聯想到大腦的學習方式。此外，假設通過無監督學習發現的表示形式可以緩解深度監督和強化學習中的許多已知問題。但是，由于缺乏明確的ground-truth目標來優化，無監督學習的發展進展緩慢。在本次演講中，DeepMind研究科學家Irina Higgins和DeepMind研究工程師Mihaela Rosca概述了無監督表示學習的歷史作用以及開發和評估此類算法的困難。然后，他們將采取多學科的方法來思考什么可以做一個好的表示方法，以及為什么要這樣做，然后再對無監督的表示學習的當前最新方法進行廣泛的概述。

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。

題目： Image Segmentation Using Deep Learning: A Survey

摘要：

圖像分割是圖像處理和計算機視覺領域的一個重要課題，其應用領域包括場景理解、醫學圖像分析、機器人感知、視頻監控、增強現實和圖像壓縮等。文獻中已經發展了各種圖像分割算法。最近，由于深度學習模型在廣泛的視覺應用中取得了成功，已經有大量的工作致力于開發使用深度學習模型的圖像分割方法。在本次調查中，我們對撰寫本文時的文獻進行了全面的回顧，涵蓋了語義和實例級分割的廣泛的開創性著作，包括全卷積像素標記網絡，編碼器-解碼器架構，多尺度和基于金字塔的方法，遞歸網絡，視覺注意力模型，以及在對抗性環境下的生成模型。我們調查了這些深度學習模型的相似性、優勢和挑戰，研究了最廣泛使用的數據集，報告了性能，并討論了該領域未來的研究方向。

題目： Time Series Data Augmentation for Deep Learning: A Survey

摘要：

近年來，深度學習在許多時間序列分析任務中表現優異。深度神經網絡的優越性能很大程度上依賴于大量的訓練數據來避免過擬合。然而，許多實際時間序列應用的標記數據可能會受到限制，如醫學時間序列的分類和AIOps中的異常檢測。數據擴充是提高訓練數據規模和質量的有效途徑，是深度學習模型在時間序列數據上成功應用的關鍵。本文系統地綜述了時間序列的各種數據擴充方法。我們為這些方法提出了一個分類，然后通過強調它們的優點和局限性為這些方法提供了一個結構化的審查。并對時間序列異常檢測、分類和預測等不同任務的數據擴充方法進行了實證比較。最后，我們討論并強調未來的研究方向，包括時頻域的數據擴充、擴充組合、不平衡類的數據擴充與加權。

題目： Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey

摘要： 為了在計算機視覺應用中從圖像或視頻中獲得更好的視覺特征學習性能，通常需要大規模的標記數據來訓練深度神經網絡。為了避免大規模數據集收集和標注的大量開銷，作為無監督學習方法的一個子集，提出了一種自監督學習方法，在不使用任何人類標注的標簽的情況下，從大規模無標記數據中學習圖像和視頻的一般特征。本文對基于深度學習的自監督一般視覺特征學習方法進行了廣泛的綜述。首先，描述了該領域的動機、通用管道和術語。在此基礎上，總結了常用的用于自監督學習的深度神經網絡體系結構。接下來，回顧了自監督學習方法的模式和評價指標，然后介紹了常用的圖像和視頻數據集以及現有的自監督視覺特征學習方法。最后，總結和討論了基于基準數據集的定量性能比較方法在圖像和視頻特征學習中的應用。最后，對本文的研究進行了總結，并提出了一套具有發展前景的自監督視覺特征學習方法。

題目： A Survey on Deep Geometry Learning: From a Representation Perspective

摘 要:

目前，研究人員已經在利用深度學習處理二維圖像方面取得了很大的成功。近年來，三維計算機視覺和幾何深度學習越來越受到人們的重視。針對不同的應用，提出了許多先進的三維造型技術。與二維圖像可以由像素的規則網格統一表示不同，三維圖形具有多種表示，如深度和多視圖圖像、基于體素的表示、基于點的表示、基于網格的表示、隱式的表面表示等。然而，不同應用程序的性能在很大程度上取決于所使用的表示，并且沒有一種惟一的表示可以適用于所有應用程序。因此，在本次調查中，我們從表象的角度回顧了三維幾何深度學習的最新發展，總結了不同表象在不同應用中的優缺點。我們也提出現有的數據集在這些表示和進一步討論未來的研究方向。

題目： Review: deep learning on 3D point clouds

簡介：

點云是在三維度量空間中定義的點集。點云已經成為三維表示中最重要的數據格式之一。由于激光雷達等獲取設備的可用性增加以及機器人、自動駕駛、增強和虛擬現實等領域的應用增加，它越來越受歡迎。深度學習現在是計算機視覺中最強大的數據處理工具，成為分類、分割和檢測等任務的首選技術。深度學習技術主要應用于具有結構化網格的數據，而點云則是非結構化的。點云的無結構使得深度學習直接處理點云非常具有挑戰性。早期的方法通過將點云預處理成結構化的網格格式來克服這一挑戰，代價是計算成本的增加或深度信息的丟失。然而，最近許多先進的深度學習技術正在開發中，這些技術可以直接操作點云。這篇論文包含了對當前最先進的深度學習技術的調查，這些技術主要集中在點云數據上。我們首先簡要地討論了在點云上直接使用深度學習所面臨的主要挑戰，我們還簡要地討論了通過將點云預處理成結構化網格來克服這些挑戰的早期方法。然后，我們回顧了各種先進的深度學習方法，直接處理點云的非結構化形式。我們介紹了流行的3D點云基準數據集。我們還進一步討論了深度學習在當前流行的三維視覺任務中的應用，包括分類、分割和檢測。

作者：

王程，福建省特支“雙百計劃”入選者、福建省科技創新領軍人才、廈門大學計算機科學系教授、博士生導師、副院長。研究方向：三維視覺，空間大數據分析，激光雷達，虛擬/增強現實。個人主頁：

3D點云學習（ Point Clouds）作為近年來的研究熱點之一，受到了廣泛關注，每年在各大會議上都有大量的相關文章發表。當前，點云上的深度學習變得越來越流行，人們提出了許多方法來解決這一領域的不同問題。國防科技大學郭裕蘭老師課題組新出的這篇論文對近幾年點云深度學習方法進行了全面綜述，是第一篇全面涵蓋多個重要點云相關任務的深度學習方法的綜述論文，包括三維形狀分類、三維目標檢測與跟蹤、三維點云分割等，并對點云深度學習的機制和策略進行全面的歸納和解讀，幫助讀者更好地了解當前的研究現狀和思路。也提供了現有方法在幾個可公開獲得的數據集上的全面比較，最后也介紹了未來的研究方向。

【摘要】點云學習近年來受到越來越多的關注，因為它在許多領域都有廣泛的應用，比如計算機視覺、自動駕駛和機器人技術。作為人工智能的主要技術之一，深度學習已經成功地用于解決各種二維視覺問題。然而，由于使用深度神經網絡處理點云所面臨的獨特挑戰，對點云的深度學習仍處于起步階段。最近，點云上的深度學習變得越來越流行，人們提出了許多方法來解決這一領域的不同問題。為了激發未來的研究，本文對點云深度學習方法的最新進展進行了綜述。它涵蓋了三個主要任務，包括三維形狀分類，三維目標檢測和跟蹤以及三維點云分割。我們還提供了一些可公開獲得的數據集的比較結果，以及有見地的觀察和啟發性的未來研究方向。

引言

3D數據在不同的領域有許多應用，包括自動駕駛、機器人、遙感、醫療和設計行業[4]。近年來，深度學習技術在計算機視覺、語音識別、自然語言處理(NLP)、生物信息學等研究領域占據主導地位。但是，在三維點云上進行深度學習仍然面臨數個重大挑戰[5]，例如數據集規模小，維數高和三維點云的非結構化性質。在此基礎上，本文重點分析了用于處理三維點云的深度學習方法。

一些公開的數據集也被發布，例如ModelNet [6]，ShapeNet [7]，ScanNet [8]，Semantic3D [9]和KITTI Vision Benchmark Suite [10]。這些數據集進一步推動了對三維點云的深度學習研究，提出了越來越多的方法來解決與點云處理相關的各種問題，包括三維形狀分類、三維目標檢測與跟蹤、三維點云分割等。

這篇論文是第一個專門針對點云的深度學習方法的綜述。此外，論文全面涵蓋了分類，檢測，跟蹤和分割等不同應用。圖1顯示了三維點云的現有深度學習方法的分類。

圖1：三維點云深度學習方法分類。

這項工作的主要貢獻可以概括如下：

• 1）據我們所知，這是第一篇全面涵蓋多個重要點云相關任務的深度學習方法的綜述論文，包括三維形狀分類、三維目標檢測與跟蹤、三維點云分割等。

• 2）相對于已有的綜述[11]，[12]，我們特別關注三維點云的深度學習方法，而不是所有類型的三維數據。

• 3）本文介紹了點云深度學習的最新進展。因此，它為讀者提供了最先進的方法。

• 4）提供了現有方法在幾個可公開獲得的數據集上的全面比較（例如，表1、2、3、4），并提供了簡要的總結和深入的討論。

本文的結構如下。第2節回顧了三維形狀分類的方法。第3節概述了現有的三維目標檢測和跟蹤方法。第4節介紹了點云分割的方法，包括語義分割、實例分割和部件分割。最后，第5節總結了論文。

論文還在以下網址上提供了定期更新的項目頁面：

//github.com/QingyongHu/SoTA-Point-Cloud

圖2：三維形狀分類網絡的時間順序概覽。

圖3：PointNet的體系結構。

圖4：點的局部鄰居的連續和離散卷積的圖解。(a)代表一個局部鄰居;(b)和(c)分別表示三維連續卷積和離散卷積。

圖5：基于圖的網絡的圖解。

表1：在ModelNet10/40基準上比較三維形狀分類結果。這里，我們只關注基于點的網絡，“#params”表示相應模型的參數數量。“OA”表示總體精度，“mAcc”表示表中的平均精度。符號“-”表示結果不可用。

圖6：按時間順序概述的最相關的基于深度學習的三維目標檢測方法。

圖7：三類三維目標檢測方法的典型網絡。從上到下:(a)基于多視圖，(b)基于分割，(c)基于視錐的方法。

表2：在KITTI測試三維檢測基準上的三維目標檢測結果對比。

表3：在KITTI test BEV檢測基準上三維目標檢測結果對比。

圖8：按時間順序概述了一些最相關的基于深度學習的點云語義分割方法。

圖9：基于投影方法的中間表示圖。

圖10：PointNet++[27]框架的示意圖。

圖11：有代表性的三維點云實例分割方法的年代概述。

未來方向

表4展示了現有方法在公共基準測試上的結果，包括S3DIS[176]、Semantic3D[9]、ScanNet[102]、SemanticKITTI[177]。需要進一步研究的問題有:

• 基于點的網絡是最常被研究的方法。然而，點表示自然不具有顯式的鄰近信息，現有的大多數基于點的方法不得不借助于昂貴的鄰近搜索機制(如KNN[52]或ball query [27])。這從本質上限制了這些方法的效率，因為鄰居搜索機制既需要很高的計算成本，又需要不規則的內存訪問[214]。

• 從不平衡數據中學習仍然是點云分割中一個具有挑戰性的問題。雖然有幾種的方法取得了顯著的綜合成績[42]、[170]、[182]，但它們在類標很少的情況下表現仍然有限。例如，RandLA-Net[95]在Semantic3D的reduced-8子集上獲得了76.0%的整體IoU，而在hardscape類上獲得了41.1%的非常低的IoU。

• 大多數現有的方法[5]、[27]、[52]、[170]、[171]都適用于小點云(如1m*1m，共4096個點)。在實際中，深度傳感器獲取的點云通常是巨大的、大規模的。因此，有必要進一步研究大規模點云的有效分割問題。

• 已有少數文獻[145]、[146]、[167]開始研究動態點云的時空信息。預期時空信息可以幫助提高后續任務的性能，如三維目標識別、分割和完成。

表4：S3DIS(包括Area5和6-fold cross validation)[176]、Semantic3D(包括semantic-8和reduced-8子集)[9]、ScanNet[8]和SemanticKITTI[177]數據集的語義分割結果對比。

結論

本文介紹了如今最先進的三維理解方法，包括三維形狀分類，三維目標檢測和跟蹤，以及三維場景和目標分割。對這些方法進行了全面的分類和性能比較。介紹了各種方法的優缺點，并提出了今后的研究方向。

論文主題： Deep Learning for Image Super-resolution: A Survey

論文摘要： 圖像超分辨率（SR）是提高圖像分辨率的一類重要的圖像處理技術以及計算機視覺中的視頻。近年來，基于深度學習的圖像超分辨率研究取得了顯著進展技術。在這項調查中，我們旨在介紹利用深度學習的圖像超分辨率技術的最新進展系統的方法。一般來說，我們可以粗略地將現有的SR技術研究分為三大類：監督SR、非監督SR和領域特定SR。此外，我們還討論了一些其他重要問題，如公開可用的基準數據集和性能評估指標。最后，我們通過強調幾個未來來結束這項調查未來社區應進一步解決的方向和公開問題.