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，深度傳感器和三維激光掃描儀的普及推動了三維點云處理方法的快速發展。點云語義分割作為理解三維場景的關鍵步驟，受到了研究者的廣泛關注。隨著深度學習的迅速發展并廣泛應用到三維語義分割領域，點云語義分割效果得到了顯著提升。主要對基于深度學習的點云語義分割方法和研究現狀進行了詳細的綜述。將基于深度學習的點云語義分割方法分為間接語義分割方法和直接語義分割方法，根據各方法的研究內容進一步細分，對每類方法中代表性算法進行分析介紹，總結每類方法的基本思想和優缺點，并系統地闡述了深度學習對語義分割領域的貢獻。然后，歸納了當前主流的公共數據集和遙感數據集，并在此基礎上對比主流點云語義分割方法的實驗結果。最后，對語義分割技術未來的發展方向進行了展望。

近年來，隨著計算機視覺、人工智能以及遙感測繪 的發展，SLAM（simultaneous localization and mapping） 技術、Kinect 技術以及激光掃描等技術日漸成熟，點 云的數據量迅速增長，針對描述點云數據空間信息 的高層語義理解也越來越受到關注。語義分割作為 點云數據處理與分析的基礎技術，成為自動駕駛、導 航定位、智慧城市、醫學影像分割等領域的研究熱 點，具有廣泛的應用前景。語義分割是一種典型的 計算機視覺問題，也稱為場景標簽，是指將一些原始 數據（例如：二維（two-dimensional，2D）圖像、三維（threedimensional，3D）點云）作為輸入并通過一系列技術 操作轉換為具有突出顯示的感興趣區域的掩模。

點云語義分割是把點云分為若干個特定的、具 有獨特性質的區域并識別出點云內容的技術。由于 初期三維數據模型庫可用數據量較少以及深度網絡 由二維轉到三維的復雜性，傳統的點云語義分割方 法大多是通過提取三維形狀幾何屬性的空間分布或 者直方圖統計等方法得到手工提取特征，構建相應 的判別模型（例如：支持向量機（support vector machine， SVM）[1]、隨機森林（random forest，RF）[2]、條件隨機場 （conditional random field，CRF）[3]、馬爾可夫隨機場 （Markov random field，MRF）[4]等）實現分割。由于手 工提取的特征主要依靠設計者的先驗知識以及手工 調動參數，限制了大數據的使用。伴隨著大型三維 模型數據的出現和 GPU 計算能力的不斷迭代更新， 深度學習在點云語義分割領域逐漸占據了絕對主導 地位。深度學習模型的核心思想是采用數據驅動的 方式，通過多層非線性運算單元，將低層運算單元的 輸出作為高層運算單元的輸入，從原始數據中提取 由一般到抽象的特征。初期，研究者們借鑒二維圖 像語義分割模型的經驗，對輸入點云形狀進行規范 化，將不規則的點云或者網格數據轉換為常規的 3D 體素網格或者多視圖，將它們提供給深層的網絡體 系結構。然而，丟失幾何結構信息和數據稀疏性等。問題限制了多視圖方法和體素化方法的發展。于 是，研究者開始從三維數據源頭著手，斯坦福大學 Qi 等人[5]提出的 PointNet 網絡模型，直接從點云數據中 提取特征信息，在沒有向體素轉換的情況下，體系結 構保留原始點內的固有信息以預測點級語義。隨 后，直接處理點云的網絡模型方法逐漸發展起來。

目前已有一些綜述性論文[6-9]對基于深度學習的 點云語義分割研究進行了總結和分析。文獻[6]是基 于深度學習和遙感數據背景下進行的分類研究進展 綜述；文獻[7]從遙感和計算機視覺的角度概述了三 維點云數據的獲取和演化，對傳統的和先進的點云 語義分割技術進行了比較和總結；文獻[8]詳細介紹 了一些較為突出的點云分割算法及常見數據集；文 獻[9]所做的綜述工作涵蓋了不同的應用，包括點云 數據的形狀分類、目標檢測和跟蹤以及語義和實例 分割，涉及的方面較為廣泛。本文對前人工作進行 了完善，在算法內容上，本文添加了最近提出的新方 法，總結了 50多種三維語義分割算法，根據三維點云 數據處理方式，將它們分為兩類：間接語義分割方法 和直接語義分割方法。數據集內容上，本文在新增 最新公共數據集的同時，增加了常用的三維遙感數 據集。未來研究方向上，本文在基于深度學習的語 義分割技術評述基礎上，對語義分割領域未來研究 方向進行了展望并給出各類技術的參考性價值。

//fcst.ceaj.org/CN/abstract/abstract2520.shtml

傳統圖像修復算法在修復區域涉及復雜非重復結構（如面部）時，不能準確捕捉到高級語義。近三年來基于深度學習的方法被應用于圖像修復中，其修復結果的結構相似性較傳統方法提高了10%以上。首先闡述了面部修復技術的研究發展歷程，主要介紹了基于深度學習的面部修復算法，將其分為無監督和有監督兩大類方法，在每一類中重點對近年來涌現的各種面部修復算法進行分析和總結；然后歸納了當前主流的六類圖像數據集，以及算法性能評價指標；最后討論了面部修復技術的未來研究方向。

//www.arocmag.com/article/01-2021-01-002.html

數據融合是最大程度發揮大數據價值的關鍵，深度學習是挖掘數據深層特征信息的技術利器，基于深度學習的數據融合能夠充分挖掘大數據潛在價值，從新的深度和廣度拓展對世界的探索和認識。本文綜述了近幾年基于深度學習的數據融合方法的相關文獻，以此了解深度學習在數據融合中應用所具有的優勢。首先，分類闡述常見的數據融合方法，同時指出這些方法的優點和不足；接著，從基于深度學習特征提取的數據融合方法、基于深度學習融合的數據融合方法、基于深度學習全過程的數據融合方法三個方面對基于深度學習的數據融合方法進行分析，并做了對比研究與總結；最后，總結全文，討論了深度學習在數據融合中應用的難點和未來需要進一步研究的問題。

//kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JSGG20201119008&v=UVJbamaWiqPhx%25mmd2F%25mmd2BOu5dHCwhPPmxv19yW5mC2ZX1%25mmd2Bqh0bZ9gpg2gmEH78ZzOsc7eT

摘要： 深度學習作為人工智能技術的重要組成部分，被廣泛應用在計算機視覺、自然語言處理等領域。盡管深 度學習在圖像分類和目標檢測等方向上取得了較好性能，但研究表明，對抗攻擊的存在對深度學習模型的安全應 用造成了潛在威脅，進而影響模型的安全性。本文在簡述對抗樣本的概念及其產生原因的基礎上，分析對抗攻擊 的主要思路，研究具有代表性的經典對抗樣本生成方法。描述對抗樣本的檢測方法與防御方法，并從應用角度闡 述對抗樣本在不同領域的應用實例。通過對對抗樣本攻擊與防御方法的分析與總結，預測未來對抗攻擊與防御的 研究方向。

//www.ecice06.com/CN/10.19678/j.issn.1000-3428.0059156

目標檢測的任務是從圖像中精確且高效地識別、定位出大量預定義類別的物體實例。隨著深度學習的廣泛應用，目標檢測的精確度和效率都得到了較大提升，但基于深度學習的目標檢測仍面臨改進與優化主流目標檢測算法的性能、提高小目標物體檢測精度、實現多類別物體檢測、輕量化檢測模型等關鍵技術的挑戰。針對上述挑戰，本文在廣泛文獻調研的基礎上，從雙階段、單階段目標檢測算法的改進與結合的角度分析了改進與優化主流目標檢測算法的方法，從骨干網絡、增加視覺感受野、特征融合、級聯卷積神經網絡和模型的訓練方式的角度分析了提升小目標檢測精度的方法，從訓練方式和網絡結構的角度分析了用于多類別物體檢測的方法，從網絡結構的角度分析了用于輕量化檢測模型的方法。此外，對目標檢測的通用數據集進行了詳細介紹，從4個方面對該領域代表性算法的性能表現進行了對比分析，對目標檢測中待解決的問題與未來研究方向做出預測和展望。目標檢測研究是計算機視覺和模式識別中備受青睞的熱點，仍然有更多高精度和高效的算法相繼提出，未來將朝著更多的研究方向發展。

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: 手語識別涉及計算機視覺、模式識別、人機交互等領域，具有重要的研究意義與應用價值。深度學習技術的蓬勃發展為更加精準、實時的手語識別帶來了新的機遇。該文綜述了近年來基于深度學習的手語識別技術，從孤立詞與連續語句兩個分支展開詳細的算法闡述與分析。孤立詞識別技術劃分為基于卷積神經網絡(CNN)、3維卷積神經網絡(3D-CNN)和循環神經網絡(RNN) 3種架構的方法；連續語句識別所用模型復雜度更高，通常需要輔助某種長時時序建模算法，按其主體結構分為雙向長短時記憶網絡模型、3維卷積網絡模型和混合模型。歸納總結了目前國內外常用手語數據集，探討了手語識別技術的研究挑戰與發展趨勢，高精度前提下的魯棒性和實用化仍有待于推進。

摘要：大數據是多源異構的。在信息技術飛速發展的今天，多模態數據已成為近來數據資源的主要形式。研究多模態學習方法，賦予計算機理解多源異構海量數據的能力具有重要價值。本文歸納了多模態的定義與多模態學習的基本任務，介紹了多模態學習的認知機理與發展過程。在此基礎上，重點綜述了多模態統計學習方法與深度學習方法。此外，本文系統歸納了近兩年較為新穎的基于對抗學習的跨模態匹配與生成技術。本文總結了多模態學習的主要形式，并對未來可能的研究方向進行思考與展望。

摘要： 大數據時代,數據呈現維度高、數據量大和增長快等特點。如何有效利用其中蘊含的有價值信息,以實現數據的智能化處理,已成為當前理論和應用的研究熱點。針對現實普遍存在的多義性對象,數據多標簽被提出并被廣泛應用于數據智能化組織。近年來,深度學習在數據特征提取方面呈現出高速、高精度等優異性,使基于深度學習的多標簽生成得到廣泛關注。文中分五大類別總結了最新研究成果,并進一步從數據、關系類型、應用場景、適應性及實驗性能方面對其進行對比和分析,最后探討了多標簽生成面臨的挑戰和未來的研究方向。

題目： Understanding Deep Learning Techniques for Image Segmentation

簡介： 機器學習已被大量基于深度學習的方法所淹沒。各種類型的深度神經網絡（例如卷積神經網絡，遞歸網絡，對抗網絡，自動編碼器等）有效地解決了許多具有挑戰性的計算機視覺任務，例如在不受限制的環境中對對象進行檢測，定位，識別和分割。盡管有很多關于對象檢測或識別領域的分析研究，但相對于圖像分割技術，出現了許多新的深度學習技術。本文從分析的角度探討了圖像分割的各種深度學習技術。這項工作的主要目的是提供對圖像分割領域做出重大貢獻的主要技術的直觀理解。從一些傳統的圖像分割方法開始，本文進一步描述了深度學習對圖像分割域的影響。此后，大多數主要的分割算法已按照專用于其獨特貢獻的段落進行了邏輯分類。