《InfMAE: A Foundation Model in Infrared Modality》CVPR2024

最新推荐文章于 2025-12-06 22:45:43 发布
原创 最新推荐文章于 2025-12-06 22:45:43 发布 · 574 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #人工智能 #深度学习 #算法 #svm #python

博客探讨了基础模型与大模型，指出大模型即基础模型，具有大规模参数和复杂计算结构，后续研究需将二者耦合。还提及多光谱、红外、可见光的基础模型架构及差异研究，以及利用跨模态基础模型开展领域基础研究。

基础模型vs大模型：大模型，也称基础模型，是指具有大规模参数和复杂计算结构的机器学习模型

以后的研究中必须把大模型和基础模型耦合进来

总结：占坑

1. A+B

多光谱的基础模型

红外的基础模型

可见光的基础模型

整体架构差不多，不一样的地方值得研究，就可以考虑A+B

2. 利用跨模态的基础模型去做我们领域的基础研究

cvpr2015papers
ZhangPY的专栏
03-02 9817
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
CVPR2024｜底层视觉(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总（附论文链接/开源代码/解析）【持续更新】
热门推荐
Kobaayyy的博客
02-27 2万+
整理汇总下今年CVPR底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务
CVPR 2024 机器学习方向总汇（多任务、联邦学习、迁移学习和对抗等）
qq_36812406的博客
01-16 1771
1、Machine Learning(机器学习)多任务、联邦学习、迁移学习和对抗等 Molecular Data Programming: Towards Molecule Pseudo-labeling with Systematic Weak Supervision 👍摘要 Improving Physics-Augmented Continuum Neural Radiance Field-Based Geometry-Agnostic System Identification with La
深度学习论文分享（五）DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion
ElysiumAILab
07-25 3371
在此仅做翻译多模态图像融合的目的是将不同的模态结合在一起，产生融合的图像，这些图像保留了每种模态的互补特征，如功能亮点和纹理细节。为了利用强大的生成先验并解决基于gan的生成方法的训练不稳定和缺乏可解释性等挑战，我们提出了一种基于去噪扩散概率模型(DDPM)的新型融合算法。将融合任务表述为DDPM采样框架下的条件生成问题，并进一步划分为无条件生成子问题和极大似然子问题。后者是在一个层次贝叶斯方式与潜在变量建模，并通过期望最大化算法推断。
【火】CVPR-2025 扩散模型论文合集及详细解读
weixin_42155685的博客
10-13 993
CVPR 2025扩散模型研究合集展示了该领域的最新进展。主要创新包括：视频编辑技术Align-A-Video和FADE；医学图像处理应用如肿瘤分割；4D肖像生成CAP4D；自动驾驶DiffusionDrive；隐私保护方法CDI和版权保护技术；以及量化优化如4位FP量化。研究还探索了扩散模型自监督学习特性，并提出了多项应用创新，如无需训练的VidSeg视频分割和个性化微调方法。这些工作展现了扩散模型在计算机视觉领域的广泛适用性。
CVPR2025
weixin_45216013的博客
05-19 1241
LVM\LLM\robotics确实是大热点，LVM\LLM多做下游任务，有部分微调的工作。robotics上面的任务非常繁杂。超出以外的是有非常多multi-view关键词的工作，个人猜想是否是因为2D CV的工作其实已经到一个好的阶段，但是总归要应用到3D中，因此探索multi-view：2D-3D-2D的过程是正在进行时出现了一些 Aerial-to-Ground关键词，并且有两篇是数据集贡献。
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
【论文阅读】：NTU RGB+D: A Large Scale Dataset for 3D Human Activity Analysis
qq_36627158的博客
08-25 1694
NTU RGB+D: A Large Scale Dataset for 3D Human Activity Analysis （2016 CVPR） Amir Shahroudy, Jun Liu, Tian-Tsong Ng, Gang Wang Notes Contribution 1、introduce a large-scale dataset for RGB+D human action recognition 2、propose a new recurrent neural n
泛读论文：Person-reID 行人重识别合集
汪汪汪的博客
03-19 1万+
2017CVPR、ICCV和NIPS在Person Reidentification方向的相关工作小结 基于融合特征的行人再识别方法 模式识别与人工智能 2017.3 问题 目前常用的行人再识别方法主要集中在行人外形特征的描述和同一行人对应的 2 幅图像之间距离的学习度量．由于行人图像的亮度和相机角度的变化等，提取行人的外形特征的不变性较难，因此在各个图像库上行人再识别的识别率较低 ...
BEVDet：鸟瞰图视角下的高性能多相机 3D 目标检测
m0_65010824的博客
12-03 863
本文是对论文《BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View》的深度解读。在自动驾驶感知领域，3D 目标检测需兼顾精度与效率，且需统一 3D 检测与 BEV 语义分割范式，这是关键挑战。PhiGent Robotics 团队提出的 BEVDet 范式，以 BEV 视角实现多相机 3D 检测，通过模块化设计复用组件，优化双空间数据增强与 Scale-NMS 策略，在 nuScenes 数据集上表现优异，为自动
数字图像处理总结 Day 3 —— 图像增强与运算
2401_87687835的博客
12-03 804
4-邻域（N₄(p)）：像素 p 的上、下、左、右4个像素。对角邻域（N_D(p)）：像素 p 的4个对角像素。8-邻域（N₈(p)），即周围的8个像素。如下图所示：若两个像素在空间上相邻，那么它们按照对应的规则可以达成邻接。4-邻接：基于4-邻域的邻接。8-邻接：基于8-邻域的邻接。m-邻接（混合邻接）：为了解决8-邻接可能引起的歧义（如对角连接穿过缝隙）而定义。如果 q 在 p 的4-邻域内，或者 q 在 p 的对角邻域内且两者的4-邻域没有交集，则 p 和 q 是 m-邻接的。
halcon图像腐蚀—erosion1
qq_34059233的博客
12-05 971
针对阈值分割后的图像，经常存在很多的小目标，这些小目标是噪声，这时候就可以使用图像腐蚀的方法去除小目标
halcon图像去噪—均值滤波
qq_34059233的博客
12-02 510
针对图像中的噪声，我们可以使用Halcon的均值滤波算子来去除噪声
openEuler操作系统环境：目标检测软件开发实操与性能评估
2202_76097976的博客
12-06 609
本文系统研究了在openEuler操作系统上构建目标检测软件应用的完整流程，涵盖了环境搭建、模型训练、性能评估及优化等关键环节。实验以openEuler 22.03 LTS SP3为平台，采用YOLOv8模型在鸟类检测数据集上进行训练，通过CUDA 12.2加速实现GPU计算。研究结果表明，openEuler凭借其内核优化、异构计算支持和AI框架兼容性，在目标检测任务中表现出优异的性能和稳定性，推理速度达142 FPS，资源占用率降低18%以上。内核优化：采用Linux 5.10.0-136内核，支持。
【PCL 特征】IntegralImage 积分图
yijiujiusan的博客
12-05 211
本文介绍了积分图像算法及其在点云处理中的应用。积分图通过预先计算像素累积和，可高效获取任意矩形区域的统计特征（如求和、均值、方差），仅需访问四个存储单元。算法实现包括一阶积分图（存储坐标累加和）和二阶积分图（存储坐标平方及乘积），分别用于计算质心和协方差矩阵。在PCL中，该技术被用于加速点云法线估计，通过积分图快速获取局部区域统计量，进而计算法线方向。实验表明，积分图能显著提升大规模数据处理效率，适用于图像处理、三维点云分析等场景，尤其擅长稠密数据的特征计算优化。
目标检测：视觉系统中的CNN-Transformer融合网络
最新发布
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
12-06 4万+
RTD-Net是一个单阶段检测网络，它直接从输入图像预测目标的位置和类别，然后通过非最大抑制（NMS）处理来获取最终检测结果。网络设计考虑了检测精度和速度的平衡，特别适用于资源受限的嵌入式设备。
基于MATLAB数学形态学的边缘检测算法仿真实现
Dev7z的博客
12-06 783
边缘检测是计算机视觉和图像处理中的核心任务之一，它在图像分割、物体识别和特征提取等领域具有广泛的应用。传统的边缘检测算法，如Sobel算子和Canny边缘检测器，依赖于图像的灰度梯度或亮度变化来提取边缘。然而，这些方法在处理噪声和复杂背景时可能会受到影响，且无法充分利用图像的几何形态信息。
DenseFuse: A Fusion Approach to Infrared and Visible Images
01-22
### DenseFuse 方法的技术细节 DenseFuse 是一种专门针对红外图像和可见光图像融合提出的深度学习框架[^1]。该方法通过构建一个多尺度密集连接网络，实现对两种模态图像的有效融合。 #### 多尺度特征提取 ...
评论
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