无监督目标检测最新CVPR解读

CVPR 2021 结果出炉!最全论文下载及分类汇总(更新中) CVPR2021接受论文待更新~ 在2020年,目标检测与人脸方向热度经久不衰,目标跟踪、行人检测与重识别、图像分割等方向也占据大头,那么今年的热门方向将会有哪些?大家可以预测一波~ 极市一直非常关注CVPR,在每年都会进行CVPR相关的论文资源整理,包括论文解读、代码、技术直播、分方向盘点、最佳论文汇总等,也得到了许多开发者的支持。在Github上,极市的CVPR盘点已经收获了5.7K star。在今年,我们也会对CVPR2021进行实时跟进。 Github项目地址: https://github. 阅读详情
AI摘要

本文解读了CVPR 2024一篇无监督三维目标检测的论文,提出基于常识原型的检测器(CPD)应对现有方法因激光雷达扫描稀疏导致伪标签错误的问题。介绍了CPD包括伪标签初始化、优化及自训练的方法,给出核心代码和使用方式,对比显示其性能有效。


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

目录

Commonsense Prototype for Outdoor Unsupervised 3D Object Detection (CVPR 2024解读)

引言

相关工作

方法

伪标签初始化

用于标签优化的常识原型约束框正则化(CProto-constrained Box Regularization,CBR)

常识原型约束自训练(CProto-constrained Self-Training,CST)

效果对比

核心代码

数据集处理

网络定义

配置文件

使用方式

环境安装

Waymo数据集准备

训练和评估


 本文所有资源均可在该地址处获取。

Commonsense Prototype for Outdoor Unsupervised 3D Object Detection (CVPR 2024解读)

论文地址 | 项目地址 | 讲解视频

引言

今天我们介绍一篇CVPR2024的最新无监督三维目标检测的SOTA工作,这篇论文介绍了一种名为Commonsense Prototype-based Detector(CPD)的方法,用于解决无监督三维目标检测中的挑战。在当前的无监督三维目标检测方法中,通常采用基于聚类的伪标签生成和迭代式自训练过程。然而,由于激光雷达扫描的稀疏性,导致生成的伪标签存在尺寸和位置上的错误,从而影响了检测性能。为了应对这一问题,该论文提出了一种基于常识原型的检测器(CPD),以提高无监督三维目标检测的性能。

相关工作

与传统全监督学习不同的是,无监督学习要求在数据完全无标记的情况下从数据集中学习到一定知识。常见的方法包括预训练、启发式算法等。传统的DBSCAN直接对点云进行聚类,从而拟合粗糙的边界框。MODEST方法使用了通过对场景中多次遍历,来确定物体是否移动,并根据一些常识信息滤除不合理的伪标签。OYSTER通过近距离点聚类,来训练一个目标检测器,并使用CNN的平移等变性来生成远距离的伪标签,然后通过目标轨迹的时间一致性来提取自我监督信号。当然,这些方法都存在一定局限性,并且精度较低。

方法

三维目标检测中一个极为重要的问题在于:如何得到高质量的伪标签(pseudo label)。基于聚类生成的伪标签通常是极为粗糙和不准确的,因此需要设计一个生成高质量伪标签的架构。CPD的方法主要包括三个部分:

  • (1)伪标签初始化
  • (2)伪标签标签优化
  • (3)自训练

伪标签初始化

作者观察到,连续帧中的一些静止物体看起来更完整。作者通过使用一种多帧聚类(Multi-Frame Clustering)的策略来初始化伪标签。具体做法是将将一个连续的点云序列:{x−n,...,xn}{x−n​,...,xn​}拼接,x−nx−n​代表前n帧点云,xnxn​代表后n帧。并通过计算点云的PP-Score来确定运动点,并移出当前帧之外的所有运动点,避免运动伪影对标签生成产生影响。并通过去除地面、DBSCAN、拟合检测框等操作来得到初步的伪标签b={bj}jb={bj​}j​,bj=[x,y,z,l,w,h,α,β,τ]bj​=[x,y,z,l,w,h,α,β,τ]。分别代表检测框的位置、长宽高、方位角、类别和跟踪标识。

用于标签优化的常识原型约束框正则化(CProto-constrained Box Regularization,CBR)

基于原型学习的方法是近年来无监督学习中常见的一种策略,方法希望网络能够从代表性样本(即 Prototype) 中学习到特征,并通过这些典型样例来进一步泛化到更复杂的情况。在初始化伪标签过程中,我们可能获得许多伪标签的位置和大小是不准确的,并且由于点云的稀疏性,点云中的实例可能是并不完整的。因此,如何从点云中挑选典型的高质量原型非常重要。作者的想法是基于来自完整对象的无监督评分构建高质量的 CProto 集,以细化不完整对象的伪标签。与 OYSTER只能细化至少有一个完整扫描的对象的伪标签不同,本文的CBR方法可以细化所有对象的伪标签,显着降低整体大小和位置误差。

作者通过设计一个CSS分数来衡量这些伪标签质量的好坏,从而选取高质量的常识原型。它仅使用常识知识来近似实现全监督评估中IoU的效果。例如:距离较近的点所对应的实例的完整性可能会比较高,汽车和人等物体一般会具有一定的长宽比范围。并根据高质量的常识原型来对初始化标签进行调整。

常识原型约束自训练(CProto-constrained Self-Training,CST)

在上面的过程中,通过基于常识原型对伪标签进行了调整。然而,即使在细化之后,一些伪标签仍然不准确,降低了正确监督的有效性,并可能误导训练过程。因此作者设计两部分损失函数解决这一问题:
特别地,如pipeline所示,作者设计了两个网络:检测网络FdetFdet和原型网络FproFpro。

  • (1) CSS-Weighted Detection Loss,它根据标签质量分配不同的训练权重来抑制虚假监督信号。
    Ldetcss=1N∑iωi(Lipro+Lidet),ωi={0sicss<SLsicss−SLSH−SLSL<sicss<SH1sicss>SHLdetcss​=N1​∑i​ωi​(Lipro​+Lidet​),ωi​=⎩⎪⎨⎪⎧​0SH​−SL​sicss​−SL​​1​sicss​<SL​SL​<sicss​<SH​sicss​>SH​​
  • (2)几何对比度损失,将稀疏扫描点的预测与密集的CProto对齐,从而提高特征的一致性。

效果对比

作者将CPD和先前的无监督目标检测方法进行了对比,说明了CPD性能的有效性。

核心代码

数据集处理

class WaymoUnsupervisedDataset(DatasetTemplate):
    def __init__(self, dataset_cfg, class_names, training=True, root_path=None, logger=None, test_iter=0):
        super().__init__(
            dataset_cfg=dataset_cfg, class_names=class_names, training=training, root_path=root_path, logger=logger,
            test_iter=test_iter
        )
        self.data_path = self.root_path / self.dataset_cfg.PROCESSED_DATA_TAG
        self.split = self.dataset_cfg.DATA_SPLIT[self.mode]
        split_dir = self.root_path / 'ImageSets' / (self.split + '.txt')
        self.sample_sequence_list = [x.strip() for x in open(split_dir).readlines()]

        self.only_top_lidar = dataset_cfg.TL
        self.sampling = dataset_cfg.SAMPLING

        self.infos = []
        self.include_waymo_data(self.mode)

网络定义

OpenPCDet提供各种主流的backbone框架,可以根据自己的求修改配置文件和网络架构。它定义了一个父类Detector3DTemplate作为基本的检测器框架,不同检测器继承这个类,并根据自己的要求修改。

class Detector3DTemplate(nn.Module):
    def __init__(self, model_cfg, num_class, dataset):
        super().__init__()
        self.model_cfg = model_cfg
        self.num_class = num_class
        self.dataset = dataset
        self.class_names = dataset.class_names
        self.register_buffer('global_step', torch.LongTensor(1).zero_())

        self.module_topology = [
            'vfe', 'backbone_3d', 'map_to_bev_module', 'temporal_model',
            'backbone_2d', 'dense_head','pfe', 'wrap_head',  'point_head', 'roi_head'
        ]
        self.num_frames=dataset.num_frames

        self.test_filp=dataset.test_flip

配置文件

OpenPCDet可以通过修改.yaml定义自己的模型和数据集。

CLASS_NAMES: ['Vehicle', 'Pedestrian', 'Cyclist']

DATA_CONFIG:
    _BASE_CONFIG_: cfgs/dataset_configs/waymo_unsupervised/waymo_unsupervised_cproto.yaml
    NUM_FRAMES: 1
    LABEL_OFFSET: 0.0
    POINT_FEATURE_ENCODING: {
        encoding_type: absolute_coordinates_encoding,
        used_feature_list: ['x', 'y', 'z', 'intensity', 'time'],
        src_feature_list: ['x', 'y', 'z', 'intensity', 'time']}

MODEL:
    NAME: VoxelRCNN

    VFE:
        NAME: MeanVFE

    BACKBONE_3D:
        NAME: VoxelResBackBone8x
        NUM_FILTERS: [16, 32, 64, 128]
        RETURN_NUM_FEATURES_AS_DICT: True
        OUT_FEATURES: 128
        MM: True
        FREEZE_TEACHER: False

    MAP_TO_BEV:
        NAME: HeightCompression
        NUM_BEV_FEATURES: 256

    BACKBONE_2D:
        NAME: BaseBEVBackbone

        LAYER_NUMS: [5, 5]
        LAYER_STRIDES: [1, 2]
        NUM_FILTERS: [128, 256]
        UPSAMPLE_STRIDES: [1, 2]
        NUM_UPSAMPLE_FILTERS: [256, 256]

   ......

使用方式

环境安装

基本环境:

  • Linux (tested on Ubuntu 14.04/16.04/18.04/20.04/21.04)
  • Python 3.6+
  • PyTorch 1.1 or higher (tested on PyTorch 1.1, 1,3, 1,5~1.10)
  • CUDA 9.0 or higher (PyTorch 1.3+ needs CUDA 9.2+)
  • spconv v2.x

安装OpenPCDet

git clone https://github.com/open-mmlab/OpenPCDet.git
cd OpenPCDet
pip install -r requirements.txt
python setup.py develop

Waymo数据集准备

  • 下载waymo官方数据集Waymo Open Dataset,
  • 解压所有 xxxx.tar 到 data/waymo/raw_data文件夹下。(798 train tfrecord and 202 val tfrecord ):
    结构目录如下:
CPD
├── data
│   ├── waymo
│   │   │── ImageSets
│   │   │── raw_data
│   │   │   │── segment-xxxxxxxx.tfrecord
|   |   |   |── ...
|   |   |── waymo_processed_data_train_val_test
│   │   │   │── segment-xxxxxxxx/
|   |   |   |── ...
│   │   │── pcdet_waymo_track_dbinfos_train_cp.pkl
│   │   │── waymo_infos_test.pkl
│   │   │── waymo_infos_train.pkl
│   │   │── waymo_infos_val.pkl
├── pcdet
├── tools

然后运行:

python3 -m pcdet.datasets.waymo.waymo_tracking_dataset --cfg_file tools/cfgs/dataset_configs/waymo_unsupervised/waymo_unsupervised_cproto.yaml

训练和评估

# 分布式训练
cd tools
sh dist_train.sh {cfg_file}

或者运行

cd tools
python train.py 

# 评估
cd tools
sh dist_test.sh {cfg_file}

​​

2023-一种无监督目标检测和实例分割方法【Cut and Learn for Unsupervised Object Detection and Instance Segmentation】 与之前的工作相比,CutLER更简单,兼容不同的检测架构,并检测多个对象。利用自监督模型的特性在没有监督的情况下“发现”目标,并将其放大以训练没有任何标签的最先进的检测模型。CutLER 首先使用作者提出的 MaskCut 方法为图像中的多个对象生成粗蒙版mask,然后使用设计的鲁棒损失函数学习这些掩模上的检测器。目标检测和分割依赖海量数据的标注,模型训练耗时最大的是数据采集和标注过程,无监督学习在目标检测和分割中的应用较少。 阅读详情

相关推荐

【传知代码】无监督目标检测最新CVPR解读(论文复现)

今天我们介绍一篇CVPR2024的最新无监督三维目标检测的SOTA工作,这篇论文介绍了一种名为CommonsensePDetector(CPD)的方法,用于解决无监督三维目标检测中的挑战,可以点击论文地址进行查看,如下图所示:在当前的无监督三维目标检测方法中,通常采用基于聚类的伪标签生成和迭代式自训练过程。然而,由于激光雷达扫描的稀疏性,导致生成的伪标签存在尺寸和位置上的错误,从而影响了检测性能。

ztK63LrD的博客 2943

前景目标检测的无监督学习

无监督学习是当今计算机视觉领域最困难的挑战之一。这项任务在人工智能和新兴技术中有着巨大的实用价值,因为可以用相对较低的成本收集大量未标注的视频。——————01 概述——...

gzq0723的博客 5757

CVPR2025新方法解读:UCOD-DPL如何用动态伪标签搞定无监督伪装目标检测?

本文深入解读了CVPR 2025提出的UCOD-DPL方法,该方法通过创新的动态伪标签学习(Dynamic Pseudo-label Learning)框架,解决了无监督伪装目标检测的难题。其核心在于构建了一个包含自适应伪标签融合模块和双分支对抗解码器的自洽系统,无需人工标注即可实现高质量检测,为降低数据标注成本提供了新思路。

weixin_29090089的博客 366

无监督目标检测、显著度检测(简介):Unsupervised Object Discovery using Normalized Cut

本文提出了一个简单但有效的基于图的无监督目标检测方法,TokenCut。

u014546828的博客 5657

无监督学习在目标检测任务中的应用:一种新的方法用于实现目标检测算法

传统的目标检测算法通常需要大量的标注数据进行训练,例如图像分类、目标定位和目标识别等任务。然而,获取高质量的标注数据成本高昂且耗时费力,尤其是在一些特定领域,例如医学影像分析、遥感图像解译等,标注数据的获取更加困难。为了解决这一问题,研究人员开始探索如何利用无监督学习方法来实现目标检测,即在没有人工标注数据的情况下,让机器自动从数据中学习目标的特征表示和检测方法。本文介绍的基于无监督学习的目标检测算法主要利用了深度聚类的方法。

AI天才研究院 4265

Playwright自动化测试实战:攻克日历时间控件三大策略与Java实现

在Web自动化测试领域,元素定位与交互模拟是核心技术基础,其原理在于通过程序精确识别并操作页面中的DOM元素,以模拟真实用户行为。这项技术的核心价值在于提升测试效率、确保交互逻辑的覆盖度与可靠性,广泛应用于电商、金融、OA等系统的功能验证。日历时间控件作为典型的复杂交互组件,常涉及动态弹出层、多级导航与状态同步,是自动化测试中的常见难点。本文聚焦于使用Playwright工具,针对此类控件深入剖析了三种核心解决策略:从最高效的直接赋值、到全面模拟用户交互的主流方法,再到利用组件特性的混合定位方案,并结合Ja

weixin_28835551的博客 313

一文看尽 27 篇 CVPR2021 2D 目标检测论文

点击 机器学习算法与Python学习 ,选择加星标精彩内容不迷路编辑丨极市平台6月25日,CVPR 2021 大会圆满结束,随着 CVPR 2021 最佳论文的出炉,本次大会所接收的论文也...

机器学习算法与Python学习 3761

基于Godot 4的战术RPG开发:模块化架构与核心系统实现

在游戏开发领域,模块化架构和回合制战斗系统是构建复杂策略游戏的基础。模块化设计通过关注点分离,将游戏逻辑分解为独立、可复用的组件,如数据模型、功能模块和场景,从而提升代码的可维护性和扩展性。回合制战斗系统则依赖于清晰的状态机循环,管理从单位选择、行动决策到伤害结算的完整流程,这是策略游戏体验的核心。这些技术为独立开发者提供了高效起点,能快速验证游戏原型。本文聚焦于一个专为Godot 4引擎设计的开源战术RPG模板,它正是运用了模块化架构和回合制状态机,实现了网格移动、相机控制和基础AI等核心功能。该模板通过

weixin_27021789的博客 617

CVPR 2021 目标检测论文大盘点(65篇论文)

前言 一共搜集了65篇2D目标检测论文,涉及:通用目标检测、旋转目标检测、Few-shot/自监督/半监督/无监督目标检测等方向。 作者:Amusi | 来源:CVer CVer 正式盘点CVPR 2021上各个方向的工作,本篇是热度依然很高的2D目标检测论文大盘点,之前已分享: 最新!CVPR 2021 视觉Transformer论文大盘点(43篇) 最新!CVPR 2021 OCR领域论文大盘点(22篇) 关于更多CVPR 2021的论文和开源代码,可见下面链接: CVPR2021 Papers wit

阿木寺的博客 2万+

MTK metadata中AF模块的移除与配置调整

本文详细介绍了在MTK平台Camera开发中如何移除metadata中的AF(自动对焦)模块。通过系统清理MTK_CONTROL_AF_REGIONS、MTK_CONTROL_MAX_REGIONS等关键配置项,并调整对焦模式及硬件特性声明,确保定制化设备在禁用自动对焦功能后的稳定运行。

q1w3e5r7t9y的博客 571

autoDL算力云装Xinference[坑与步骤]

在页面直接点击下载会出现下着下载进度条消失,试了几次才出现这个报错,现在我们就继续安装缺少的包吧。这一步成功绕开了系统盘空间限制。先租用一个合适的服务器,建议不要选最新版本,跟我选的一样即可,不然后面会出现。最近在 AutoDL 上尝试部署。🚫 不要直接使用以下命令。点击下面链接即可打开。

ngadminq的博客 2388

CVPR2021 | 2D目标检测论文解读

CVPR2021 | 2D目标检测论文解读1. UP-DETR:——《UP-DETR: Unsupervised Pre-training for Object Detection with Transformers(Oral)》2. OWOD——《Towards Open World Object Detection(Oral)》3. YOLOF——《You Only Look One-level Feature》4. DeFCN——《End-to-End Object Detection with Fu

Talk is cheap, show me the code! 3611

水文模型新手必看:用SWAT-CUP做参数率定,如何正确设置预热期、率定期和验证期?(附数据准备避坑指南)

本文详细介绍了使用SWAT-CUP进行水文模型参数率定的完整流程,重点解析了预热期、率定期和验证期的正确设置方法,并提供了数据准备的避坑指南。通过实操步骤和常见问题解决方案,帮助新手快速掌握SWAT-CUP参数率定的核心技巧,提升水文模型模拟精度。

weixin_26875109的博客 377

一文看尽 27 篇 CVPR 2021 2D 目标检测论文

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达作者丨二玖编辑丨极市平台导读本文对我们汇总的 CVPR 2021 检测大类中的2D目标检测领域的论文进行了盘点,将会依次阐述每篇论文...

3D视觉工坊 2391

新手如何结合pbootCMS和宝塔面板快速构建网站

摘要: 新手可通过pbootCMS(轻量CMS)和宝塔面板(可视化工具)快速搭建网站,无需命令行。步骤包括:1) 准备服务器(Linux/CentOS7.x)和域名;2) 安装宝塔面板并配置LNMP环境(PHP7.4+MySQL5.7);3) 创建网站目录,上传并解压pbootCMS源码,设置文件权限;4) 运行安装向导,填写数据库信息和管理员账号;5) 测试前台/后台功能,优化性能并绑定域名。全程约30-60分钟,宝塔简化运维,pbootCMS便于内容管理,适合零基础用户。注意定期更新和备份以保障安全。

qinzhenyan的博客 1646

18、改进的LSTM用于污染物浓度预测

本文探讨了改进的长短期记忆网络(MLSTM)在空气污染预测中的应用,重点分析了其对印度泰米尔纳德邦五个城市(金奈、塞勒姆、哥印拜陀、马杜赖和图蒂科林)的PM2.5、PM10、SO2和NO2四种污染物浓度的预测效果。通过与传统LSTM模型的对比实验,结果显示MLSTM在预测准确性和执行效率方面均优于LSTM。研究结果表明,MLSTM在空气质量预测领域具有较高的应用潜力,可为环境保护和空气质量管理提供有力支持。

j0k1l2m3n的博客 176

大合集!CVPR2020论文分方向整理: 目标检测/图像分割/姿态估计等,附打包下载(持续更新)

CVPR2020在2月24日公布了所有接受论文ID,相关报道:1470篇!CVPR2020结果出炉,你中了吗?(附部分论文链接/开源代码/解读)。自论文ID公布以来,许多开发者都分享了自己的优秀工作。 从论文ID公布以来,极市一直在对CVPR进行实时跟进,本文是对80篇CVPR2020论文整理和分类,均有论文链接,部分含开源代码,涵盖的方向有:目标检测、目标跟踪、图像分割、人脸识别、姿态估计、三维...

极市平台的技术博客 4万+

线性代数-第24篇:线性代数在控制系统中的核心应用

线性代数通过状态空间建模、矩阵分解与优化算法,为控制系统提供了从理论分析到工程实现的完整框架。从传统PID控制到现代智能控制,其应用贯穿系统设计、分析与优化的全流程。未来,随着多智能体协同控制、量子控制系统等前沿领域的发展,线性代数将在高维矩阵计算、分布式优化等方向持续创新,为复杂控制系统的突破提供核心支撑。如果对线性代数在控制系统中的应用细节有疑问,欢迎在评论区留言!

无 426

华人占大半壁江山!CVPR 2021 目标检测论文大盘点(65篇论文)

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达作者:Amusi | 来源:CVer前言CVer 正式盘点CVPR 2021上各个方向的工作,本篇是热度依然很高的2...

阿木寺的博客 3175

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

CVPR 2018 论文解读集锦

之前我们整理过视觉顶级会议CVPR2017的论文解读文章 和ICCV 2017 论文解读集锦,CVPR 2018已经公布了所有收录论文名单,为了能够让大家更深刻了解CVPR的论文,我们进行了一些CVPR 2018论文解读的整理,后续还会持续更新。   53.CVPR 2018|分割算法——可以分割一切目标(附各种分割总结) 本文是对何恺明CVPR 2018的目标分割工作解读,同时作者基于时间...

gukedream的专栏 655

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

CVPR2020最全整理:分方向论文下载,Github源码、论文解读等[计算机视觉][目标检测]

CVPR2020在2月24日公布了所有接受论文ID,相关报道:1470篇!CVPR2020结果出炉,你中了吗?(附部分论文链接/开源代码/解读)。自论文ID公布以来,许多开发者都分享了自己的优秀工作。 从论文ID公布以来,极市一直在对CVPR进行实时跟进,本文是对80篇CVPR2020论文整理和分类,均有论文链接,部分含开源代码,涵盖的方向有:目标检测、目标跟踪、图像分割、人脸识别、姿态估计、三维...

极市平台的技术博客 3167

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

CVPR 2021 论文解读征集令

2021年,旷视研究院迎来了崭新的征程,在CVPR论文中,一共有22篇成功入选,其中口头报告2篇。被收录的论文涵盖了激活函数、神经网络、神经网络架构搜索、光流估计、无监督学习、人体姿态估计...

阿木寺的博客 348

CVPR2021最新接收论文合集!22个方向100+篇论文汇总

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达导读CVPR2021结果已出,本文为CVPR最新接收论文的资源汇总贴,附有相关文章与代码链接。官网链接:http://cvpr202...

3D视觉工坊 9175

CVPR 2023 | 美团技术团队精选论文解读

本文精选了美团技术团队被CVPR 2023收录的8篇论文进行解读。这些论文既有自监督学习、领域自适应、联邦学习等通用学习范式方面的技术迭代,也涉及目标检测、跟踪、分割、Low-level Vision等典型视觉任务的性能,体现了美团在基础通用技术和垂直领域技术上的全方位创新。这些论文也是美团技术团队与国内多所高校、科研机构合作的成果。希望给从事相关研究工作的同学带...

美团技术团队 2662
上一篇: 用二维图像渲染3D场景视频
下一篇: 【BLIP】VLP任务的新框架
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值