摘要: 目标检测算法应用广泛,一直是计算机视觉领域备受关注的研究热点。近年来,随着深度学习的发展,3D图像的目标检测研究取得了巨大的突破。与2D目标检测相比,3D目标检测结合了深度信息,能够提供目标的位置、方向和大小等空间场景信息,在自动驾驶和机器人领域发展迅速。文中首先对基于深度学习的2D目标检测算法进行概述;其次根据图像、激光雷达、多传感器等不同数据采集方式,分析目前具有代表性和开创性的3D目标检测算法;结合自动驾驶的应用场景,对比分析不同 3D 目标检测算法的性能、优势和局限性;最后总结了3D目标检测的应用意义以及待解决的问题,并对 3D 目标检测的发展方向和新的挑战进行了讨论和展望。

成为VIP会员查看完整内容
0
61

相关内容

摘要: 三维重建在视觉方面具有很高的研究价值, 在机器人视觉导航、智能车环境感知系统以及虚拟现实中被广泛应用.本文对近年来国内外基于视觉的三维重建方法的研究工作进行了总结和分析, 主要介绍了基于主动视觉下的激光扫描法、结构光法、阴影法以及TOF (Time of flight)技术、雷达技术、Kinect技术和被动视觉下的单目视觉、双目视觉、多目视觉以及其他被动视觉法的三维重建技术, 并比较和分析这些方法的优点和不足.最后对三维重建的未来发展作了几点展望。

成为VIP会员查看完整内容
0
46

摘要: 线条画作为一种简单而有效的视觉传达手段,通过突出主要的细节特征,使得人们可以快速地获得主要信息;同时,风格线条画作为一种艺术形式,让人们能够快速欣赏和理解其艺术特征。文中对线条画的生成方法进行了综述与分析。线条画生成技术可以分为基于2D图像的方法与基于3D模型的方法。其中,基于2D图像的线条画生成技术包括样本学习方法、非样本学习的数据驱动方法与非数据驱动方法;基于3D模型的线条画生成技术包括图像空间方法、对象空间方法以及两者的混合方法。通过介绍与分析各种方法并对比分析其优缺点,总结了线条画生成技术现阶段存在的问题及其可能的解决方案,并在此基础上对线条画生成的未来发展趋势进行了展望。

成为VIP会员查看完整内容
0
19

目标检测的任务是从图像中精确且高效地识别、定位出大量预定义类别的物体实例。随着深度学习的广泛应用,目标检测的精确度和效率都得到了较大提升,但基于深度学习的目标检测仍面临改进与优化主流目标检测算法的性能、提高小目标物体检测精度、实现多类别物体检测、轻量化检测模型等关键技术的挑战。针对上述挑战,本文在广泛文献调研的基础上,从双阶段、单阶段目标检测算法的改进与结合的角度分析了改进与优化主流目标检测算法的方法,从骨干网络、增加视觉感受野、特征融合、级联卷积神经网络和模型的训练方式的角度分析了提升小目标检测精度的方法,从训练方式和网络结构的角度分析了用于多类别物体检测的方法,从网络结构的角度分析了用于轻量化检测模型的方法。此外,对目标检测的通用数据集进行了详细介绍,从4个方面对该领域代表性算法的性能表现进行了对比分析,对目标检测中待解决的问题与未来研究方向做出预测和展望。目标检测研究是计算机视觉和模式识别中备受青睐的热点,仍然有更多高精度和高效的算法相继提出,未来将朝着更多的研究方向发展。

成为VIP会员查看完整内容
0
76

AutoML: A Survey of the State-of-the-Art

深度学习已经渗透到我们生活的方方面面,给我们带来了极大的便利。然而,针对某一特定任务构建高质量的深度学习系统的过程不仅耗时,而且需要大量的资源和人力,阻碍了深度学习在产业界和学术界的发展。为了缓解这一问题,越来越多的研究项目关注于自动化机器学习(AutoML)。在本文中,我们提供了一个全面的和最新的研究,在最先进的汽车。首先,根据机器学习的特点,详细介绍了自动化技术。在此基础上,总结了神经结构搜索(NAS)的研究现状,这是目前自动化领域研究的热点之一。我们还将NAS算法生成的模型与人工设计的模型进行了比较。最后,提出了有待进一步研究的几个问题。

成为VIP会员查看完整内容
0
58
小贴士
相关主题
相关VIP内容
专知会员服务
46+阅读 · 2020年5月1日
专知会员服务
19+阅读 · 2020年4月26日
专知会员服务
69+阅读 · 2020年4月25日
专知会员服务
76+阅读 · 2020年4月21日
专知会员服务
25+阅读 · 2019年12月13日
密歇根大学《20年目标检测综述》
专知会员服务
63+阅读 · 2019年10月13日
自动机器学习:最新进展综述
专知会员服务
58+阅读 · 2019年10月13日
相关资讯
最全综述 | 图像目标检测
计算机视觉life
18+阅读 · 2019年6月24日
综述 | CVPR2019目标检测方法进展
计算机视觉life
12+阅读 · 2019年4月3日
CVPR2019目标检测方法进展综述
极市平台
44+阅读 · 2019年3月20日
深度学习目标检测算法综述
AI研习社
14+阅读 · 2019年2月1日
【紫冬分享】移动机器人视觉里程计综述
中国科学院自动化研究所
8+阅读 · 2018年10月31日
计算机视觉方向简介 | 目标检测最新进展总结与展望
计算机视觉life
4+阅读 · 2018年10月28日
干货 | 基于深度学习的目标检测算法综述(二)
AI科技评论
10+阅读 · 2018年8月20日
深度学习目标检测概览
AI研习社
45+阅读 · 2017年10月13日
深度学习时代的目标检测算法综述
AI前线
6+阅读 · 2017年9月22日
相关论文
Deformable Style Transfer
Sunnie S. Y. Kim,Nicholas Kolkin,Jason Salavon,Gregory Shakhnarovich
8+阅读 · 2020年3月24日
Mesh R-CNN
Georgia Gkioxari,Jitendra Malik,Justin Johnson
3+阅读 · 2019年6月6日
Jesus Zarzar,Silvio Giancola,Bernard Ghanem
3+阅读 · 2019年3月25日
Xuesong Li,Jose E Guivant,Ngaiming Kwok,Yongzhi Xu
6+阅读 · 2019年1月24日
Shaoshuai Shi,Xiaogang Wang,Hongsheng Li
6+阅读 · 2018年12月11日
Deep Learning for Generic Object Detection: A Survey
Li Liu,Wanli Ouyang,Xiaogang Wang,Paul Fieguth,Jie Chen,Xinwang Liu,Matti Pietikäinen
7+阅读 · 2018年9月6日
Acquisition of Localization Confidence for Accurate Object Detection
Borui Jiang,Ruixuan Luo,Jiayuan Mao,Tete Xiao,Yuning Jiang
4+阅读 · 2018年7月30日
Zeming Li,Chao Peng,Gang Yu,Xiangyu Zhang,Yangdong Deng,Jian Sun
4+阅读 · 2018年4月17日
Mohammed E. Fathy,Quoc-Huy Tran,M. Zeeshan Zia,Paul Vernaza,Manmohan Chandraker
9+阅读 · 2018年3月27日
Martin Simon,Stefan Milz,Karl Amende,Horst-Michael Gross
3+阅读 · 2018年3月16日
Top