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

摘要 在線社交網絡中的消息流行度預測研究,對推薦、廣告、檢索等應用場景都具有非常重要的作用。近年來,深度學習的蓬勃發展和消息傳播數據的積累,為基于深度學習的流行度預測研究提供了堅實的發展基礎。現有的流行度預測研究綜述,主要是圍繞傳統的流行度預測方法展開的,而基于深度學習的流行度預測方法目前仍未得到系統性地歸納和梳理,不利于流行度預測領域的持續發展。鑒于此,該文重點論述和分析現有的基于深度學習的流行度預測相關研究,對近年來基于深度學習的流行度預測研究進行了歸納梳理,將其分為基于深度表示和基于深度融合的流行度預測方法,并對該研究方向的發展現狀和未來趨勢進行了分析展望。

//jcip.cipsc.org.cn/CN/abstract/abstract3082.shtml

摘要: 目標檢測技術是光學遙感圖像理解的基礎問題, 具有重要的應用價值. 本文對遙感圖像目標檢測算法發展進行了梳理和分析. 首先闡述了遙感圖像目標檢測的特點和挑戰; 之后系統總結了典型的檢測方法, 包括早期的基于手工設計特征的算法和現階段基于深度學習的方法, 對于深度學習方法首先介紹了典型的目標檢測模型, 進而針對遙感圖像本身的難點詳細梳理了優化改進方案; 接著介紹了常用的檢測數據集, 并對現有方法的性能進行比較; 最后對現階段問題進行總結并對未來發展趨勢進行展望.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200596

許多自然場景圖像中都包含著豐富的文本,他們對于場景理解有著重要的作用。隨著移動互聯網技術的飛速發展,許多新的應用場景都需要利用這些文本信息,例如招牌識別和自動駕駛等。因此,自然場景文本的分析與處理也越來越成為計算機視覺領域的研究熱點之一,該任務主要包括文本檢測與識別。傳統的文本檢測和識別方法依賴于人工設計的特征和規則,且模型設計復雜、效率低、泛化性能差。近年來隨著深度學習的發展,自然場景文本檢測、自然場景文本識別以及端到端的自然場景文本檢測與識別都取得了突破性的進展,其性能和效率都得到了顯著提高。本文介紹了該領域相關的研究背景,對近幾年基于深度學習的自然場景文本檢測、識別以及端到端自然場景文本檢測與識別的方法進行整理分類、歸納和總結,闡述了各類方法的基本思想和優缺點。并針對隸屬于不同類別下的方法,進一步論述和分析這些主要模型的算法流程、適用場景和他們的技術發展路線。此外還列舉說明了一些主流公開數據集,并對比了各個模型方法在代表性數據集上的性能情況。最后本文總結了目前不同場景數據下的自然場景文本檢測、識別以及端到端自然場景文本檢測與識別算法的局限性以及未來的挑戰和發展趨勢。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=2023&journal_id=jig

對流體圖像序列進行運動分析一直是流體力學、醫學和計算機視覺等領域的重要研究課題。從圖像對中提取的密集精確的速度矢量場能夠為許多領域提供有價值的信息，基于光流法的流體運動估計技術因其獨特的優勢成為一個有前途的方向。光流法可以獲得具有較高分辨率的密集速度矢量場，在小尺度精細結構的測量上有所改進，彌補了基于相關分析法的粒子圖像測速技術的不足。此外，光流方法還可以方便的引入各種物理約束，獲得較為符合流體運動特性的運動估計結果。為了全面反映基于光流法的流體運動估計算法的研究進展，本文在廣泛調研相關文獻的基礎上，對國內外具有代表性的論文進行了系統闡述。首先介紹了光流法的基本原理，然后將現有算法按照要解決的突出問題進行分類：結合流體力學知識的能量最小化函數，提高對光照變化的魯棒性，大位移估計和消除異常值。對每類方法，從問題解決過程的角度予以介紹，分析了各類突出問題中現有算法的特點和局限性。最后，總結分析了流體運動估計技術當前面臨的問題和挑戰，并對未來基于光流法的運動估計算法的研究方向和研究重點進行了展望。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210209&flag=1

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

顯著性檢測一直是計算機視覺領域的關鍵問題，在視覺跟蹤、圖像壓縮和目標識別等方面有著非常重要的應用。基于傳統RGB圖像和RGB-D （RGB depth）圖像的顯著性檢測易受復雜背景、光照、遮擋等因素影響，在復雜場景的檢測精度較低，魯棒的顯著性檢測仍存在很大挑戰。隨著光場成像技術的發展，人們開始從新的途徑解決顯著性檢測問題。光場數據記錄著空間光線位置信息和方向信息，隱含場景的幾何結構，能為顯著性檢測提供可靠的背景、深度等先驗信息。因此，利用光場數據進行顯著性檢測得到了廣泛關注，成為研究熱點。盡管基于光場數據的顯著性檢測算法陸續出現，但是缺少對該問題的深刻理解以及研究進展的全面綜述。本文系統地綜述了基于光場數據的顯著性檢測研究現狀，并進行深入探討和展望。對光場理論以及用于光場顯著性檢測的公共數據集進行介紹；系統地介紹了光場顯著性檢測領域的算法模型和最新進展，從人工設計光場特征、稀疏編碼特征和深度學習特征等方面進行全面闡述及分析；通過4個公共光場顯著性數據集上的實驗數據對不同方法的優缺點進行比較和分析，并結合實際應用指出當前研究的局限性與發展趨勢。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20201201&flag=1

在觀測圖像時，人類的視覺系統能夠快速獲取圖像中感興趣的區域和目標，這個過程稱為視覺注意力機制。顯著性檢測是通過智能算法模擬人類視覺注意力機制，提取圖像中人類感興趣的區域(Borji等，2015)。顯著性檢測一直是計算機視覺領域的研究熱點。顯著性檢測首先檢測場景中最引人注意的目標，然后將這類目標作為整體劃分出來。準確有效的顯著性檢測可以為視覺跟蹤(Mahadevan和Vasconcelos，2012)、目標檢測與識別(Han和Vasconcelos，2014)和視頻壓縮(Itti，2004)等提供可靠的先驗信息。

自Itti等人(1998)提出多尺度顯著性檢測模型以來，出現了大量各式各樣的顯著性檢測模型，顯著性檢測算法的性能逐步提升，取得了很大進展(Ju等，2014；Ren等，2015)。但是在復雜場景中，魯棒的顯著性檢測仍存在很大挑戰，主要表現在：1)場景中存在多個顯著目標且尺度變化較大；2)顯著區域的顏色或紋理與背景相似；3)場景中光源顏色不一致；4)顯著目標被部分遮擋；5)難以提取完整目標。

針對這些難點，研究者提出多種顯著性檢測算法，根據使用數據來源不同，這些顯著性檢測算法分為3類：基于RGB圖像的顯著性檢測算法、基于RGB-D(RGB depth)圖像的顯著性檢測算法和基于光場數據的顯著性檢測算法。其中基于RGB圖像的顯著性檢測算法最多，一個原因是RGB圖像是人們生活中最廣泛使用且最容易獲取的圖像。這類算法大多通過計算圖像的顏色、形狀、方向以及紋理等底層圖像特征(Xu等，2013；Zhao和Koch，2012)獲取顯著線索，或利用特征學習技術如卷積神經網絡(Li和Yu，2015a)、稀疏編碼(Li等，2013b)或者循環神經網絡(Tang等，2016)等方式檢測顯著性目標。雖然這些方法在顯著性檢測任務上取得了有競爭力的效果，但是對于挑戰性場景，仍然可能出現顯著目標檢測錯誤。原因有兩個：1)基于深度學習的顯著性檢測算法受限于RGB圖像的特征；2)基于RGB圖像的傳統算法存在許多先驗知識，如顯著性區域與其周圍環境存在高對比度、背景簡單、顯著性目標無遮擋、場景光源單一等，而實際上許多真實場景與這些先驗相悖，導致基于RGB圖像的傳統算法性能降低，如圖 1(Li等，2014)中基于全局對比度(global contrast，GC)的顯著性檢測算法(Cheng等，2015)和基于差別區域特征融合(discriminative regional feature integration，DRFI)的顯著性檢測算法(Jiang等，2013)都無法精準地從背景中分離顯著目標。

Poggio和Poggio(1984)表明RGB圖像不能完全表示人眼對世界的認識，因為RGB圖像忽略了人的雙目系統對場景深度的感知。深度信息能夠區分位于不同深度層的物體，減少背景干擾(Wolfe和Horowitz，2004)。因此，學者們開始利用雙目相機，如Kinect(Zhang，2012)獲取含有深度信息的RGB-D圖像，結合深度特征和RGB圖像中的特征來提高顯著性檢測的魯棒性(Lang等，2012；Peng等，2014)。然而，這類算法也存在兩方面問題：1)基于RGB-D圖像的顯著性檢測算法嚴重依賴深度圖的質量，當深度圖質量較差時，則無法為顯著性檢測提供有效信息；2)基于RGB-D圖像的顯著性檢測算法常常忽略深度和外觀之間的關聯，當顯著目標與背景有著相似的顏色和深度時，如圖 2(Piao等，2019a)所示，基于異性中心-周圍特征的深度顯著性檢測算法(anisotropic center-surround difference，ACSD)(Ju等，2014)也無法精準檢測顯著目標。

光場成像借助新的成像技術，能夠同時記錄光輻射在空間中的位置和方向信息(Adelson和Wang，1992)，與RGB圖像和RGB-D圖像相比，光場數據包含了光的顏色、強度、位置和方向，更能反映自然場景的幾何和反射特性，已成功用于計算機視覺的許多任務，如材料識別(Wang等，2016)、深度估計(Tao等，2017；Williem等，2018；Jeon，2019)和顯著性檢測(Li等，2014；Zhang等，2015)等。其中，在顯著性檢測任務中，相比RGB圖像和RGB-D圖像，利用光場數據進行顯著性檢測有以下優勢：1)光場數據包含位置信息和角度信息，為獲得場景深度信息提供了多視角幾何信息；2)數字重聚焦技術(Ng等，2005)可以將光場數據合成一系列聚焦在不同深度層的焦點堆棧圖像，顯著目標個體通常處于同一深度面，利用這些焦點堆棧圖像的聚焦區域線索，能夠提供背景線索，更完整地檢測顯著目標；3)光場數據記錄不同方向的光線信息，可以從多個角度描述場景，提供了有效的顯著目標遮擋信息；4)從光場數據中能生成全聚焦圖像，全聚焦圖像中的每個像素都是清晰的，有更清楚的顏色、紋理等。從這些方面來看，光場數據可以為顯著性檢測提供更多信息以及解決檢測難題的途徑，有利于處理相似的前景和背景、顯著目標被部分遮擋、多個顯著目標等難點場景，如圖 1所示，相比基于RGB圖像的算法，光場顯著性檢測方法(light field saliency，LFS)(Li等，2014)更能應對復雜場景。

自Li等人(2014)利用光場數據進行顯著性檢測后，基于光場數據的顯著性檢測迅速發展，出現了很多基于光場數據的顯著性檢測算法(Zhang等，2015；Li等，2015b；Zhang等，2017；Wang等，2018b；Zhang等，2020)，但是一直沒有完整的關于光場顯著性檢測進展的文獻綜述和詳細調查，目前，基于光場數據的顯著性檢測研究在該領域內仍然存在很大的進步空間，因此有必要進行全面綜述和討論。本文系統描述了基于光場數據的顯著性檢測研究進展和面臨的挑戰，希望能為進一步研究顯著性檢測提供幫助，并期待能啟發更多的創新型工作。

摘要： 圖像補全是圖像處理的一個研究領域,為有物體遮擋以及圖像關鍵部分缺失狀況下的圖像識別提供了解決方案,應用領域非常廣泛,受到了人們的關注。經深度學習方法補全的圖像具有更高的圖像分辨率和可靠性,逐漸成為圖像補全的主流方法之一。文中針對圖像補全領域的主要問題,介紹了相關深度學習方法的基本原理和經典算法,系統而漸進地剖析了2010年以來有代表性的圖像補全方法,探討了基于深度學習的圖像補全在不同領域的具體應用,并列舉了該研究領域目前面臨的幾個問題。

//www.jsjkx.com/CN/10.11896/jsjkx.200600009

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.