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

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： Deep Unfolding Network for Image Super-Resolution

摘要：

基于學習的單圖像超分辨率(SISR)方法不斷顯示出優于傳統的基于模型的方法的有效性和效率，這主要是由于端到端的訓練。但是，與基于模型的方法不同，基于模型的方法可以在統一的MAP(maximum a posteriori)框架下處理具有不同比例因子、模糊內核和噪聲級別的SISR問題，基于學習的方法通常缺乏這種靈活性。為了解決這一問題，本文提出了一種基于學習方法和基于模型方法的端到端可訓練展開網絡。具體來說，通過半二次分裂算法展開映射推理，可以得到由交替求解一個數據子問題和一個先驗子問題組成的固定次數的迭代。這兩個子問題可以用神經模塊來解決，從而得到一個端到端可訓練的迭代網絡。因此，所提出的網絡繼承了基于模型的方法的靈活性，在保持基于學習的方法的優點的同時，通過單一模型對不同尺度因子的模糊、有噪聲的圖像進行超分辨。大量的實驗證明了所提出的深度展開網絡在靈活性、有效性和可推廣性方面的優越性。

題目： Anomalous Instance Detection in Deep Learning: A Survey

摘要：

深度學習(DL)容易受到分布不均勻和對抗性示例的影響，從而導致不正確的輸出。為了使DL更具有魯棒性，最近提出了幾種方法:異常檢測技術來檢測(并丟棄)這些異常樣本。本研究試圖為基于DL的應用程序異常檢測的研究提供一個結構化的、全面的概述。我們根據現有技術的基本假設和采用的方法為它們提供了一個分類。我們討論了每個類別中的各種技術，并提供了這些方法的相對優勢和劣勢。我們在這次調查中的目標是提供一個更容易并且更好理解的技術，這項技術是在這方面已經做過研究的，且屬于不同的類別的。最后，我們強調了在DL系統中應用異常檢測技術所面臨的未解決的研究挑戰，并提出了一些具有重要影響的未來研究方向。

題目： Deep Learning for Biomedical Image Reconstruction: A Survey

摘要：

醫學影像是一種寶貴的醫學資源，因為它可以窺探人體內部，為科學家和醫生提供豐富的信息，這些信息對于理解、建模、診斷和治療疾病是必不可少的。重建算法需要將采集硬件收集的信號轉換成可解釋的圖像。考慮到問題的病態性和實際應用中缺乏精確的解析反變換，重構是一項具有挑戰性的任務。而最后幾十年目睹了令人印象深刻的進步的新形式,提高時間和空間分辨率,降低成本和更廣泛的適用性,幾個改進仍然可以設想,如減少采集和重建時間以減少病人的輻射和不適,同時增加診所吞吐量和重建精度。此外，在小功率手持設備中部署生物醫學成像需要在準確性和延遲之間取得良好的平衡。

題目： Research on Progress of Image Semantic Segmentation Based on Deep Learning

摘要：

自FCN網絡在2014年提出后，SegNet、DeepLab等一系列關于圖像語義分割的深度學習架構被相繼提出。與傳統方法相比，這些架構效果更好、運算速度更快，已經能夠運用于自然圖像的分割處理。圍繞圖像語義分割技術，對常用的數據集和典型網絡架構進行了梳理分析，對2017年以來的新進展進行了綜合研究，利用主流評價指標對主要模型的語義分割效果進行了比較和分析。對語義分割技術面臨的挑戰以及可能的發展趨勢進行了展望。

簡介： 在許多將數據表示為圖形的領域中，學習圖形之間的相似性度量標準被認為是一個關鍵問題，它可以進一步促進各種學習任務，例如分類，聚類和相似性搜索。 最近，人們對深度圖相似性學習越來越感興趣，其中的主要思想是學習一種深度學習模型，該模型將輸入圖映射到目標空間，以使目標空間中的距離近似于輸入空間中的結構距離。 在這里，我們提供對深度圖相似性學習的現有文獻的全面回顧。 我們為方法和應用提出了系統的分類法。 最后，我們討論該問題的挑戰和未來方向。

在特征空間上學習足夠的相似性度量可以顯著確定機器學習方法的性能。從數據自動學習此類度量是相似性學習的主要目的。相似度/度量學習是指學習一種功能以測量對象之間的距離或相似度，這是許多機器學習問題（例如分類，聚類，排名等）中的關鍵步驟。例如，在k最近鄰（kNN）中分類[25]，需要一個度量來測量數據點之間的距離并識別最近的鄰居；在許多聚類算法中，數據點之間的相似性度量用于確定聚類。盡管有一些通用度量標準（例如歐幾里得距離）可用于獲取表示為矢量的對象之間的相似性度量，但是這些度量標準通常無法捕獲正在研究的數據的特定特征，尤其是對于結構化數據。因此，找到或學習一種度量以測量特定任務中涉及的數據點的相似性至關重要。

論文主題： A Deep Journey into Super-resolution: A survey

論文摘要： 基于深卷積網絡的超分辨是一個快速發展的領域，有著廣泛的實際應用。在這個說明中，我們廣泛比較了30多個最先進的超分辨率卷積神經網絡（CNNs）超過三個經典數據集和最近引入的三個具有挑戰性的數據集對單圖像超分辨率進行了基準測試。我們為基于深度學習的超分辨率網絡，將現有方法分為九類，包括線性、殘差、多分支、遞歸、漸進、基于注意力和對抗性設計。我們還提供了網絡復雜度、內存占用、模型輸入和輸出、學習細節、網絡損耗的類型和重要性架構差異（例如，深度、跳過連接、過濾器）。進行了廣泛的評估，顯示了一致性和快速性在過去幾年中，隨著模型復雜性的提高和大規模的可用性的增長數據集。我們還注意到，作為基準的開拓性方法已經被目前的競爭者。盡管近年來取得了進展，但我們確認了現有技術的一些缺點并提供了未來解決這些開放性問題的研究方向。

論文主題： Recent Advances in Deep Learning for Object Detection

論文摘要： 目標檢測是計算機視覺中的基本視覺識別問題，并且在過去的幾十年中已得到廣泛研究。目標檢測指的是在給定圖像中找到具有精確定位的特定目標，并為每個目標分配一個對應的類標簽。由于基于深度學習的圖像分類取得了巨大的成功，因此近年來已經積極研究了使用深度學習的對象檢測技術。在本文中，我們對深度學習中視覺對象檢測的最新進展進行了全面的調查。通過復習文獻中最近的大量相關工作，我們系統地分析了現有的目標檢測框架并將調查分為三個主要部分：（i）檢測組件，（ii）學習策略（iii）應用程序和基準。在調查中，我們詳細介紹了影響檢測性能的各種因素，例如檢測器體系結構，功能學習，建議生成，采樣策略等。最后，我們討論了一些未來的方向，以促進和刺激未來的視覺對象檢測研究。與深度學習。