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

細粒度圖像分類旨在從某一類別的圖像中區分出其子類別，通常細粒度數據集具有類間相似和類內差異大的特點，這使得細粒度圖像分類任務更加具有挑戰性。隨著深度學習的不斷發展，基于深度學習的細粒度圖像分類方法表現出更強大的特征表征能力和泛化能力，能夠獲得更準確、穩定的分類結果，因此受到了越來越多研究人員的關注和研究。首先，從細粒度圖像分類的研究背景出發，介紹了細粒度圖像分類的難點和研究意義。其次，從基于強監督和弱監督兩個角度，綜述了基于深度學習的細粒度圖像分類算法的研究進展，并介紹了多種典型的分類性能優秀的算法。此外，進一步論述了目前關于YOLO、多尺度CNN和生成對抗網絡（GAN）等前沿深度學習模型在細粒度圖像識別方面的應用，并且對比了最新的相關細粒度圖像的數據增強方法的分類效果以及在復雜場景下不同類型的細粒度識別方法的性能特點分析。最后，通過對算法的分類性能進行對比和總結，探討了未來發展方向和面臨的挑戰。

圖像/視頻的獲取及傳輸過程中，由于物理環境及算法性能的限制，其質量難免會遭受無法預估的衰減，導致其在實際場景中的應用受到限制，并對人的視覺體驗造成顯著影響。因此，作為計算機視覺領域中一項重要任務，圖像/視頻質量評價應運而生。其目的在于通過構建計算機數學模型來衡量圖像/視頻中的失真信息以判斷其質量的好壞，達到自動預測質量的效果。在城市生活、交通監控以及多媒體直播等多個場景中具有廣泛的應用前景。近年來，圖像/視頻質量評價研究取得了長足的發展，為計算機視覺領域中其他任務提供了一定的便利。本文在廣泛調研前人研究的基礎上，回顧了整個圖像/視頻質量評價領域的發展歷程，分別列舉了傳統方法和深度學習方法中一些具有里程碑意義的算法和影響力較大的算法，然后從全參考、半參考和無參考三個方面分別對圖像/視頻質量評價領域的一些文獻進行了綜述，具體涉及的方法包含基于結構信息、基于人類視覺系統和基于自然圖像統計的方法等；在LIVE、CSIQ、TID2013等公開數據集的基礎上，基于SROCC、PLCC等評價指標，對一些具有代表性算法的性能進行了分析；最后總結當前質量評價領域仍存在的一些挑戰與問題，并對其進行了展望。論文旨在為質量評價領域的研究人員提供一個比較全面的參考。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=2021&journal_id=jig

在疾病診斷、手術引導及放射性治療等圖像輔助診療場景中，將不同時間、不同模態或不同設備的圖像通過合理的空間變換進行配準是必要的處理流程之一。隨著深度學習的快速發展，基于深度學習的醫學圖像配準研究以其耗時短、精度高的優勢吸引了研究者的廣泛關注。本文全面整理了2015—2019年深度醫學圖像配準方向的論文，系統地分析了深度醫學圖像配準領域的最新研究進展，展現了深度配準算法研究從迭代優化到一步預測、從有監督學習到無監督學習的總體發展趨勢。具體來說，本文在界定深度醫學圖像配準問題和介紹配準研究分類方法的基礎上，以相關算法的網絡訓練過程中所使用的監督信息多少作為分類標準，將深度醫學圖像配準劃分為全監督、雙監督與弱監督、無監督醫學圖像配準方法。全監督配準方法通過采用隨機變換、傳統算法和模型生成等方式獲取近似的金標準作為監督信息；雙監督、無監督配準方法通過引入圖像相似度損失、標簽相似度損失等其他監督信息以降低對金標準的依賴；無監督配準方法則完全消除對標注數據的需要，僅使用圖像相似度損失和正則化損失監督網絡訓練。目前，無監督醫學圖像算法已經成為醫學圖像配準領域的研究重點，在無需獲得代價高昂的標注信息下就能夠取得與有監督和傳統方法相當甚至更高的配準精度。在此基礎上，本文進一步討論了醫學圖像配準研究后續可能的4個未來挑戰，希望能夠為更高精度、更高效率的深度醫學圖像配準算法的研究提供方向，并推動深度醫學圖像配準技術在臨床診療中落地應用。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210901&flag=1

研究復雜網絡能控性魯棒性對包括社會網絡、生物和技術網絡等在內的復雜系統的控制和應用具有重要價值. 復雜網絡的能控性是指: 可通過若干控制節點和適當的輸入, 在有限時間內將系統狀態驅動至任意目標狀態. 能控性魯棒性則是指在受到攻擊的情況下, 復雜網絡依然維持能控性的能力. 設計具有優異能控性魯棒性的復雜網絡模型和優化實際網絡的能控性魯棒性一直是復雜網絡領域的重要研究內容. 本文首先比較了常用的能控性魯棒性定義及度量, 接著從攻擊策略的角度分析了三類攻擊的特點及效果, 包括隨機攻擊、基于特征的蓄意攻擊和啟發式攻擊. 然后比較了常見模型網絡的能控性魯棒性. 介紹了常用優化策略, 包括模型設計和重新連邊等. 目前的研究在攻擊策略和拓撲結構優化方面都取得了進展, 也為進一步理論分析提供條件. 最后總結全文并提出潛在研究方向.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200916

摘要： 以深度學習為主要代表的人工智能技術正在悄然改變人們的生產生活方式，但深度學習模型的部署也帶來了一定的安全隱患.研究針對深度學習模型的攻防分析基礎理論與關鍵技術，對深刻理解模型內在脆弱性、全面保障智能系統安全性、廣泛部署人工智能應用具有重要意義. 擬從對抗的角度出發，探討針對深度學習模型的攻擊與防御技術進展和未來挑戰. 首先介紹了深度學習生命周期不同階段所面臨的安全威脅.然后從對抗性攻擊生成機理分析、對抗性攻擊生成、對抗攻擊的防御策略設計、對抗性攻擊與防御框架構建4個方面對現有工作進行系統的總結和歸納. 還討論了現有研究的局限性并提出了針對深度學習模型攻防的基本框架.最后討論了針對深度學習模型的對抗性攻擊與防御未來的研究方向和面臨的技術挑戰.

//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2021.20200920

三維視覺測量是計算機視覺與精密測量原理交叉融合的前沿高新技術,是工業4.0的基礎支撐,是以網絡化、智能化制造為變革特征的先進制造業的核心關鍵技術。經過幾十年的發展,三維視覺測量技術在基礎研究和應用研究上均獲得了快速深入發展,形成了理論方法、技術工藝、系統研發和產品應用四位一體較為完備的方向體系,呈現出理論系統化、方法多維化、精度精準化和速度快捷化的發展趨勢,成為智能制造過程控制、產品質量檢驗保證和裝備整機服役測試的不可或缺的優選技術。本報告主要圍繞單相機、雙相機、結構光等典型三維視覺測量技術展開論述,概要介紹其關鍵技術內涵,綜述其發展現狀、前沿動態、熱點問題和發展趨勢。重點論述條紋投影三維測量技術和相位測量偏折術。最后給出了三維視覺測量的發展趨勢與未來展望。

//www.cjig.cn/jig/ch/reader/download_new_edit_content.aspx?edit_id=202001&file_no=2020&journal_id=jig

隨著人臉表情識別任務逐漸從實驗室受控環境轉移至具有挑戰性的真實世界環境，在深度學習技術的迅猛發展下，深度神經網絡能夠學習出具有判別能力的特征，逐漸應用于自動人臉表情識別任務。目前的深度人臉表情識別系統致力于解決以下兩個問題：1）由于缺乏足量訓練數據導致的過擬合問題；2）真實世界環境下其他與表情無關因素變量（例如光照、頭部姿態和身份特征）帶來的干擾問題。本文首先對近十年深度人臉表情識別方法的研究現狀以及相關人臉表情數據庫的發展進行概括。然后，將目前基于深度學習的人臉表情識別方法分為兩類：靜態人臉表情識別和動態人臉表情識別，并對這兩類方法分別進行介紹和綜述。針對目前領域內先進的深度表情識別算法，對其在常見表情數據庫上的性能進行了對比并詳細分析了各類算法的優缺點。最后本文對該領域的未來研究方向和機遇挑戰進行了總結和展望：考慮到表情本質上是面部肌肉運動的動態活動，基于動態序列的深度表情識別網絡往往能夠取得比靜態表情識別網絡更好的識別效果。此外，結合其他表情模型如面部動作單元模型以及其他多媒體模態，如音頻模態和人體生理信息能夠將表情識別拓展到更具有實際應用價值的場景。

近年來,生成式對抗網絡(generative adversarial nets, GAN)迅速發展,已經成為當前機器學習領域的主要研究方向之一。GAN來源于零和博弈的思想,其生成器和鑒別器對抗學習,獲取給定樣本的數據分布,生成新的樣本數據。對GAN模型在圖片生成、異常樣本檢測和定位、文字生成圖片以及圖片超分辨率等多方面進行了大量的調查研究,并在這些GAN的應用所取得的實質性進展進行了系統的闡述。對GAN的提出背景與研究意義、理論模型與改進結構,以及其主要應用領域進行了總結。通過對GAN在各方面的應用分析,對GAN的不足以及未來發展方向進行綜述。

//dziy.cbpt.cnki.net/WKA/WebPublication/paperDigest.aspx?paperID=76215a4a-3131-4b6e-9afd-1af245c41ff1