computer vision的前景

Computer Vision: Algorithms and ApplicationsのImage processing 实在是太喜欢Richard Szeliski的这本书了,每一章节(after chapter3)都详述了该研究方向比较新的成果,还有许多许多的reference,如果你感兴趣,完全可以看那些参考论文 Point operators(点算子) 点运算是最简单的一类图像处理运算,如简单的对比度变换,亮度变换 Pixel transform(像素变换) g(x) = af (x) + b 阅读详情

AI这个领域,最近又开始大放光彩--此为背景。

AI曾经辉煌过,我们的老师在给我们讲AI的时候都是站在云上飘的,但是现实是残酷的,尽管deep blue玩chess玩得不错,但这毕竟是一个具有open表的游戏,说白了,这不算严格意义上的智能。AI大师们最初的很多语言,例如造出翻译机之类的,最后都不了了之了。最后,AI分成了若干个小领域,computer vision算是一个,或者说模式识别吧,然后例如machine learning, natural language processing等都算是分支领域。Computer vision算是做得非常成功的,当然我在这里所谓的computer vision比较狭隘,就是需要学习的computer vision。如果算进来传统的computer vision如三维重建等,那就更成功了。其它领域尽管都paper成堆,但是,都算是举步维艰。近年来,一道光芒划过夜空,古老的Neural Networks再次震撼了所以跟AI相关的人,Google将Hinton大将收入麾下之后,所有的大个头,都急转deep learning,也包括我们的Baidu,直接将实验室叫做了deep learning lab。这篇文章我不想谈deep learning,我觉得我也没有谈这个的资质,我还在皮毛级。我只想说说在此背景下computer vision的发展,主要根据CVPR2013的一些文章说一点自己的看法。

1,deep learning必然成为主流,这个势头已经挡不住了,今年主要的文章有:

Yi Sun, Xiaogang Wang,Deep Convolutional Network Cascade for Facial Point Detection

Fei Chen, Huimin Yu, Roland Hu, Xunxun Zeng,Deep Learning Shape Priors for Object Segmentation

3,寻求一种中级的表达,这个听起来有点抽象。简单举个例就如poselet,图像特征是底层的表达,但是我们需要的是高级的信息,这中间如果加一个桥梁过度就好了,所以就有了很多中级的表达。今年很多文章都用到了poselet,还有几篇我觉得非常有意思的文章,如:

Ke Chen, Shaogang Gong, Tao Xiang, Chen Change Loy,Cumulative Attribute Space for Age and Crowd Density Estimation (PDF),这篇文章简单有效,非常值得一看。

Matthias Dantone, Juergen Gall, Christian Leistner, Luc Van Gool,Human Pose Estimation using Body Parts Dependent Joint Regressors (project) ,这篇文章其实有点deep learning的思想在里面,将第一层的结果作为一种中级表达输入到下一层的forest去,简单的思想,但是非常有效。

Sketch Tokens: A Learned Midlevel Representation for Contour and Object Detection. Joseph J. Lim, C. Lawrence Zitnick, and Piotr Dollar. CVPR 2013. [ pdf ] [code@github]

4,回归原始的趋势。也许是受到了deep learning的启发,大家都在朝着最初的那些大师们所定的方向回归,比如,最火的action recognition,大概有几十篇文章吧,虽然仍然是各种高级的feature的比较多,但是已经出现了一个信号,今年有出奇多的文章在做human pose estimation,这个古老但是太困难的问题,然后也出现了一篇根据human pose estimation来进行action recognition的文章,在20多年前,那时候的researchers其实也想这么做,最后发现human pose estimation实在太难了,所以就绕道了,绕了半天现在又有绕回去的趋势。


以上是我自己的一个简单总结,有很多文章可能离我的领域太远我也没有怎么关注,我会陆续的补充相应类别下的文章,也希望感兴趣的同学提出见解。


计算机视觉前景及应用如何?大牌分析师这样看…… 全文共4049字,预计学习时长8分钟图片来源:pexels.com/@pixabay当下,人工智能已逐渐成为影响全球经济的主流因素,而在人工智能的众多细分领域中,计算机视... 阅读详情

相关推荐

计算机视觉(Computer Vision)和机器视觉(Machine Vision)

计算机视觉(CV)技术是一种使用计算机科学和机器学习方法来解释、分析和理解图像和视频的技术。它的优势和挑战如下:挑战:5. 数据不足:CV技术的性能很大程度上依赖于训练数据的质量和数量。然而,获取大规模的高质量标注数据仍然是一个挑战,这可能限制了CV技术的发展和应用。6. 特征提取:CV技术需要从图像和视频中提取出有用的特征,然后使用这些特征进行分类和识别。然而,如何有效地提取出有用的特征仍然是一个困难的问题,特别是对于复杂的场景和背景。

weixin_40948750的博客 2701

【Introductory Biology】Lecture 29 - Cell Imaging Techniques - 细胞成像技术

Lecture 29 - Cell Imaging Techniques - 细胞成像技术

赵继超的笔记 345

[Computer Vision]图像分割技术

图像分割算法对比及实验

weixin_73049545的博客 1357

错过后悔十年!计算机视觉入门到精通,学习书籍推荐

1. 《Computer Vision: Algorithms and Applications》 2. 《Computer Vision: Models, Learning, and Inference》 3. 《Computer Vision: A Modern Approach》 4. 《Introductory Techniques for 3-D Computer Vision》 ...

kaggle expert,全球排名前1000,清华计算机研究生,兴趣算法工程 1202

MATLAB R2017b视频运动目标检测工具:行人与车辆自动识别+可视化标注

一套开箱即用的MATLAB R2017b运动目标检测方案,支持people.avi、car.avi和atrium.mp4等常见视频格式输入,无需额外工具箱即可运行。核心脚本object_detect.m实现固定场景下的动态目标提取,采用帧差法或混合高斯背景建模完成前景分割,精准定位画面中移动的行人和车辆,并在输出视频帧上叠加矩形边界框进行可视化标注。配套图形界面object_detect.fig提供直观参数调节功能,如阈值、最小检测面积、标记颜色等,方便教学演示、课程实验或算法效果对比验证。资源包内含完整可

g2h3i4j5的博客 207

Introductory_Techniques_for_3-D_Computer_Vision

Introductory_Techniques_for_3-D_Computer_Vision国外教材英文原版电子书 computer vision techniques 3D 计算机图像

Computer Vision如何学习,前景怎样?

Computer Vision的尴尬 Computer Vision是AI的一个非常活跃的领域,每年大会小会不断,发表的文章数以千计(单是CVPR每年就录取300多,各种二流会议每年的文章更可谓不计其数),新模型新算法新应用层出不穷。可是,浮华背后,根基何在? 对于Vision,虽无大成,但涉猎数年,也有管窥之见。Vision所探索的是一个非常复杂的世界,对于这样的世界如何建模,如

lxiaoxiaot的专栏 4729

introductory techniques for 3-D computer vision

totally 2 parts, this is part 1

前景目标检测1(总结)

运动前景对象检测一直是国内外视觉监控领域研究的难点和热点之一,其目的是从序列图像中将变化区域从背景图像中提取出来,运动前景对象的有效检测对于对象跟踪、目标分类、行为理解等后期处理至关重要,那么区分前景对象,非常关键的一个问题是确定一个非常合适的背景,背景从象素的角度来理解,每一个象素就是有可能是前景点,也有可能是背景点,那么我们就要防止背景中误进入原属于前景点的对象,目前有几种常用的方法,但分别有...

weixin_30672019的博客 891

Introductory Techniques for 3-D Computer Vision(1)

Introductory Techniques for 3-D Computer Vision(1)这是第一部分。这本书不错,内容较全面的介绍了计算机视觉的相关知识:匹配,标定,重建,优化等。

An Introduction to 3D Computer Vision Techniques and Algorithms

3D计算机视觉算法导论。, John Wiley & Sons, 2009 Computer vision encompasses the construction of integrated vision systems and the application of vision to problems of real-world importance. The process of creating 3D models is still rather difficult, requiring mechanical measurement of the camera positions or manual alignment of partial 3D views of a scene. However using algorithms, it is possible to take a collection of stereo-pair images of a scene and then automatically produce a photo-realistic, geometrically accurate digital 3D model.

[Computer Vision]实验八:图像分割

图像分割

weixin_73049545的博客 1154

SAP系统从ECC升级至S/4 HANA的实现路径及项目过程

从SAP ECC升级到 S/4 HANA,通常是一个复杂的转型过程,涉及到企业资源规划系统的全面现代化

saplakes的博客 2906

Learning OpenCV 4 Computer Vision with Python 3:10个基础图像处理技巧完全解析

Learning OpenCV 4 Computer Vision with Python 3是一本面向计算机视觉爱好者的实用指南,通过丰富的案例和简洁的代码展示了OpenCV 4的核心功能。本文将从该项目中精选10个基础图像处理技巧,帮助初学者快速掌握OpenCV的应用方法,轻松入门计算机视觉领域。 ## 1. 图像读取与显示:计算机视觉的第一步 在计算机视觉任务中,图像的读取与显示是最基础

gitblog_01004的博客 352

【C++】排序算法

冒泡排序、插入排序、选择排序、希尔排序、堆排序、归并排序、快速排序、计数排序、基数排序、桶排序、外排序

phoenixFlyzzz的博客 2071

手把手教你用西门子博图V18配置阿特拉斯PF6000拧紧枪PN通讯(附完整GSD文件与ToolsTalk配置文件)

本文详细介绍了如何使用西门子博图V18配置阿特拉斯PF6000拧紧枪的PN通讯,包括硬件连接、网络参数规划、ToolsTalk软件配置及博图工程设置。通过完整的GSD文件和配置文件,帮助工程师快速实现高精度拧紧设备与PLC的高效通讯,适用于汽车装配和电子制造等工业自动化场景。

weixin_42662293的博客 608

Computer Vision:Algorithms and Applications

12.7多视角立体匹配 虽然匹配图像对是获取深度信息的有用方法,但匹配更多图像可以带来更好的结果。 在本节中,我们不仅回顾用于创建完整3D对象模型的技术,而且还讨论用于使用多个源图像提高深度图质量的简单技术。 正如我们在讨论平面扫描(第12.1.2节)中所看到的那样,可以将每个视差假设d处的所有相邻k个图像重新采样为广义视差空间体积。利用这些附加图像的最简单方法是,将它们与参考图像Ir的差相加,如(12.4)所示 这是众所周知的平方和差(SSSD)和SSAD方法之和的基础(...

sinat_29634715的博客 504

✨从零搭建 Ubuntu22.04 + Python3.11 + PyTorch2.5.1 GPU Docker 镜像并上传 Docker Hub

构建一个带 GPU 支持的深度学习开发镜像;使用 PyTorch 2.5.1(CUDA 12.4)环境;发布并托管 Docker 镜像至 Docker Hub;验证 GPU 环境正常运行!🎉 这将极大提升你的项目部署效率,尤其是在多人协作或跨平台部署场景中。

用大模型重构生活:猫奴程序员的AI智能日常记录 1582

computer vision笔记

导论问题:什么是图片(image)? 二值图片:(0,1) 灰度图片:(0,255) 彩色图片: (0,255)× RGB3通道 计算机视觉的任务: 对图片进行理解。 图片:单幅、多幅、视频 理解:形状、位置、运动、类别计算机视觉的路线图: 2D –> 3D –> 语义信息(直接2D–>语义信息?) 表示层次与三阶段human vision: 错觉 和 Gestalt理论 (计算机视

detmatrix的博客 291

揭秘 | 顶刊论文插图中的高级配色方案(附RGB/HEX码解析)

本文揭秘了顶级期刊如《Nature》《Science》插图的高级配色方案,详细解析了RGB/HEX码的应用技巧。从双色配色的黄金组合到复杂数据可视化的多色解决方案,提供了实用的配色法则和跨平台一致性建议,帮助科研人员提升图表专业度和视觉传达效果。

weixin_28523493的博客 990

RK3588开发板NPU加速YOLO目标检测完整实战教程

🚀 RK3588开发板NPU加速YOLO目标检测实战 本文详细介绍了如何在瑞芯微RK3588开发板上利用内置NPU加速YOLO目标检测的全流程: 1️⃣ 环境准备:配置RKNPU2 SDK和aarch64交叉编译器,搭建Ubuntu开发环境 2️⃣ 模型转换:从ONNX格式转换为专用RKNN模型,适配NPU硬件特性 3️⃣ 性能对比:NPU推理将处理时间从833ms降至50ms以下,帧率提升16倍 4️⃣ 实战应用:支持图像/视频流/摄像头实时检测,提供完整编译和运行命令 关键优势:专为边缘AI设计的6T

FJN110的博客 933

daily-paper-computer-vision:计算机视觉论文追踪神器

daily-paper-computer-vision:计算机视觉论文追踪神器 daily-paper-computer-vision是一个专业的计算机视觉论文聚合平台,致力于解决研究人员面临的信息过载问题。该项目通过精心设计的筛选机制从海量论文中识别最具价值的研究成果,建立多维度分类体系覆盖基础视觉任务、生成模型、3D视觉、视频分析和多模态等技术领域,并采用每日更新机制确保研究人员能够第一时间获...

gitblog_00053的博客 629

《HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction》论文阅读之HiVT

目录摘要1.介绍2.相关工作3.方法3.1. 总体框架3.2 场景表示 3.3 分层向量Transformer3.3.1 局部编码器3.3.2 全局交互模块3.3.3 多模态未来解码器3.4 训练4.实验4.1 实验设置4.2 消融研究 4.3. 结果5.结论 准确预测周围交通参与者的未来运动对于自动驾驶车辆的安全至关重要。最近,矢量化方法由于能够捕捉交通场景中的复杂交互而在运动预测领域占据主导地位。然而,现有的方法忽略了问题的对称性并且受到昂贵的计算成本的影响,面临着在不牺牲预测性能的情况

Gavinmiaoc的博客 3341
上一篇: 计算机视觉、机器学习相关领域论文和源代码大集合--持续更新
下一篇: CVPR2013感兴趣的文章整理
TreeFish2012
博客等级 码龄14年 25粉丝 1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