- 综合排序
- 最热优先
- 最新优先
- 来自专栏相约机器人
2020413 | 10篇计算机视觉检测分类相关论文(附GitHub代码)
跟踪系统显然可以从获得准确的检测中受益，但是，文献中有充分的证据表明检测器可以从跟踪中受益，例如，可以帮助随着时间推移平滑预测。 在本文中，我们专注于自动驾驶的“检测跟踪”范例，其中两个任务都是关键任务。 在这项工作中，模拟了对象检测问题的不同类型的注释错误，并在训练和测试阶段检查了带有错误注释的流行的最新对象检测器YOLOv3的性能。 当前的动作检测器的大多数遵循基于帧的表示，后期融合之后是离线动作管构建步骤。 10.
1.3K20发布于 2020-04-14 - 来自专栏相约机器人
2020422 | 10篇计算机视觉检测分类相关论文(附GitHub代码)
现有的RGB-D显着性检测方法将显着性检测任务视为点估计问题，并按照确定性学习流程生成单个显着性图。 在我们的实验框架中考虑了两种不同的方法：i）选择整个面部作为伪造检测系统的输入，以及ii）选择特定的面部区域（例如眼睛或鼻子）作为伪造检测系统的输入。 在我们的实验结果中，我们着重指出即使是最新的第二代DeepFake数据库中最强大的最新假检测器也能达到较差的假检测结果，均等错误率的结果范围为15％至30％。 这些结果表明有必要进行进一步的研究以开发更复杂的伪造检测系统。 10.一种新的用于从X射线图像中检测COVID-19的改进型深卷积神经网络 A New Modified Deep Convolutional Neural Network for Detecting
2K20发布于 2020-05-09 - 来自专栏人工智能LeadAI
边缘检测论文笔记
摘要：这篇论文提出了一种基于FCNN和深度监督网络的新的边缘检测算法HED，它解决了两个重要的问题，1）整体图片的训练和预测，2）多尺度多层级的特征学习。 下图中的图c即为HED输出的边缘检测结果，d-f是不同side layer（后面会具体提到）的输出，g-i是Canny边缘检测器的输出。可以看到HED效果明显更好。 ? 前两个网络的问题是只有单一的输出层，所以只有一个预测结果，而在边缘检测中获得多个预测结果然后将所有的边缘映射平均是更有利的。 网络结构 在这篇论文中作者选择了VGG16作为基础网络，对它进行了修剪和更改。 bf0ceac9-69c8-49f4-a1da-e1f8210e5e52.png 总结：这篇论文提出的HED方法进行边缘检测还是很可靠的，它提出的这种从深度网络的每一层引一个侧面输出出来再进行混合的思想也可以借鉴
1.3K20发布于 2018-07-30 - 来自专栏计算机视觉理论及其实现
最新目标检测论文
】DIoU Loss：更快更好地学习边界框回归【9】CoAE：用于One-Shot目标检测的共同注意和共同激励【10】SAPD：Soft Anchor-Point目标检测【11】MMOD：基于混合模型的目标检测边界框密度估计 【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构【14】IPG-Net：用于目标检测的图像金字塔引导网络 multi-oriented object detection》时间：20191123作者团队：华科(白翔组)&武大&上交链接：https://arxiv.org/abs/1911.09358注：本论文性能优于 Object Detection》时间：20191125（AAAI 2020）作者团队：华为诺亚&中山大学链接：https://arxiv.org/abs/1911.09929注：又一篇用NAS做目标检测的论文 中央研究院等链接：https://arxiv.org/abs/1911.12529代码：https://github.com/timy90022/One-Shot-Object-Detection网络结构----【10
1.9K30编辑于 2022-09-03 - 来自专栏新智元
论文造假被AI抓：机器学习检测出4000多论文造假，一年损失高达10亿美元
因图像造假撤回的医学论文，一年时间可能浪费接近10亿美元的研发成本。 “打击论文造假，维护科研正义”。这不是一句喊口号的话。 论文图像篡改可能导致一年损失10亿美元 学术研究论文中的图像造假的祸害十分普遍。 两个星期前，Science联合撤稿观察发布了一个“撤稿”报告，许多数字令人震惊：过去10年里学术期刊撤回的论文数量增加了10倍，撤稿率最高的国家中国排第7，撤稿最多的10位作者中，中国占了两人。 ? 这样推算，即使每篇论文成本30万美元，美国研究人员在2012年发表的所有生物医学科学论文的成本也将接近500亿美元。 如果2％的论文因为图像伪造需要撤回，美国可能会在2012年浪费接近10亿美元。 一个领域是软件开发有可能对大型文章数据库的图像复制检测产生巨大影响，使用视觉检查技术不可能进行这种大规模的比较。 AI来检测论文图像造假在未来可能有两种形式。
1.2K30发布于 2018-12-12 - 来自专栏GiantPandaCV
目标检测论文解读之RCNN
前言 最近准备开始认真的梳理一下目标检测的相关算法，组合成一个目标检测算法系列。之前看到了一张特别好的目标检测算法分类的甘特图，但忘记是哪里的了，要是原始出处请提醒我标注。 ? 我也会按照这个图来讲解目标检测算法。 背景介绍 什么是目标检测 所谓目标检测就是在一张图像中找到我们关注的目标，并确定它的类别和位置，这是计算机视觉领域最核心的问题之一。 目标检测算法分类 上面那张甘特图已经说明了目标检测算法主要分为两类，即： Two Stage目标检测算法。 RCNN算法 贡献 RCNN是第一个使用卷积神经网络来对目标候选框提取特征的目标检测算法。 RCNN成为了当时目标检测领域的SOAT算法，虽然现在很少有人使用到了，但论文的思想我们仍可以借鉴。任何事情都要经历一个从无到有的过程。
92210发布于 2019-12-04 - 来自专栏arXiv每日学术速递
【论文推荐】《目标检测》必看的6篇论文【附pdf】
下面给大家介绍6篇有价值的目标检测论文，希望对大家的研究和工作有所帮助~ 凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。 本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 02 推荐理由：这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。 03 推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。 06 推荐理由：这篇文章提出了一种多层对抗网络用于适配双阶段检测器，所提出的网络主要包含两部分，分层域特征对齐和聚合的proposal特征对齐。 那么这些目标检测的论文怎样才能又好又快地吃透呢？
1.1K20编辑于 2022-05-23 - 来自专栏贾志刚-OpenCV学堂
【论文推荐】《目标检测》必看的6篇论文【附pdf】
本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 02 推荐理由：这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。 03 推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。 这次我们请来了BAT算法工程师——张老师，推出【目标检测】论文精讲直播，为期2天，对论文和实验结果进行手把手分析，还有直播现场互动答疑，彻底夯实目标检测基础。 扫码添加客服 即可领取↓ 免费领目标检测论文PDF
1.9K50编辑于 2022-04-28 论文检测，论文降AI率，降AI率的工具
一、精准检测，让 AI 痕迹无所遁形文字滚筒鸭拥有自研的前沿检测算法，对论文、自媒体文章等各类文本展开深度扫描。它就像一位经验老到的侦探，不放过任何一处 AI 生成的蛛丝马迹。 比如论文中那些过于规整、缺乏灵活变化的句式，或是自媒体文章里频繁出现的热门 AI 词汇组合，都逃不过它的 “法眼”。 经它检测出的 AI 率数据精准可靠，为后续降重提供坚实依据，让你对内容的原创度了如指掌。二、强力降重，一键抹去 AI 痕迹检测出问题后，重头戏来了 —— 降 AI 率。 三、论文查重，保驾护航学术之路对于学生和学者而言，论文查重是一道绕不开的关卡。文字滚筒鸭深知其重要性，与全网丰富的学术数据源实时对接，上传论文瞬间，便开启逐字逐句的严谨比对。 一旦发现重复内容，即刻标记，并结合降重功能，给出针对性修改建议，助力论文顺利通过查重，为学术创作筑牢诚信基石。
1.1K21编辑于 2025-04-23- 来自专栏深度学习自然语言处理
【论文推荐】《目标检测》必看的8篇论文【附pdf】
本文就为大家推荐其中8篇最新的目标检测论文。 for Co-Salient Object Detection 那么这些目标检测的论文怎样才能又好又快地吃透呢？ 这次我们请来了BAT算法工程师——张老师，推出【目标检测】YOLO V5论文精讲直播，为期2天，对论文和实验结果进行手把手分析，还有直播现场互动答疑，彻底夯实目标检测基础。 直播嘉宾： —— 直播内容与安排 —— 1、6月23日20:30直播 1.为什么要学习目标检测论文 2.目标检测发展历程与前进方向 3.YOLO V3回顾和YOLO V3理论知识详解 4.注意事项 扫码添加客服 即可领取↓ 回复“目标检测论文”免费领目标检测论文PDF
1.7K10编辑于 2022-06-27 10FunctionCalling日志检测
之前讲解了什么是Function Calling：Function Calling 特性并不是指模型主动调用函数，而是指会根据用户意图和提供的函数列表选择合适的函数并返回调用函数及所需的参数。
21710编辑于 2026-06-17- 来自专栏深度学习自然语言处理
文本匹配必读的10论文篇 - 附论文PDF
今天给大家整理的10篇自然语言处理经典论文——文本匹配的，希望对大家的学习有所帮助！ 这次我们请来了互联网TOP大厂高级算法工程师——Himon老师，推出【文本匹配】论文精讲直播，为期2天，对论文和实验结果进行手把手分析，还有直播现场互动答疑，彻底夯实文本匹配基础。 直播嘉宾： —— 直播内容与安排 —— 1、5月6日20:00直播 1.论文研究背景、成果以及意义 2.论文泛读 3.注意事项 2、5月7日20:00直播 1.论文算法模型总览 2.论文算法模型的细节 3.模型训练细节/技巧 4.实验设置及结果分析 5.论文总结 ↓ 前方福利 ↓ 原价399元，现在0.1元领取！ 扫码添加客服 即可领取↓ 免费领取文本匹配论文
1.5K50编辑于 2022-05-06 - 来自专栏机器学习算法与Python学习
论文推荐 | 生成对抗网络GAN论文TOP 10
新智元报道 来源：towardsdatascience 作者：Connor Shorten 编辑：肖琴 本文选择的 10 篇 GAN 论文包括： DCGANs Improved Techniques 不过，这篇论文对构成当前最先进技术水平的基础论文的思想提供了很好的概述，因此非常值得阅读。 ? Li, Shaoting Zhang, Xiaogang Wang, Xiaolei Huang, Dimitris Metaxas https://arxiv.org/abs/1612.03242 10 这篇论文定义了 GAN 框架，并讨论了 “非饱和” 损失函数。论文还给出了最优判别器的推导，这是近年来 GAN 论文中经常出现的一个证明。 论文还在 MNIST、TFD 和 CIFAR-10 图像数据集上对 GAN 的有效性进行了实验验证。 论文： Generative Adversarial Networks Ian J.
2.4K30发布于 2019-07-04 - 来自专栏CVer
一文看尽10篇目标检测最新论文（MetaODP-RSDetMatrixNets等）
前言 恰逢 2020年，本文再次更新近期值得关注的最新检测论文。 论文发布时间段：2019年12月30日-2020年01月17日 目标检测论文 ---- 【1】用于AP最大化的目标检测的上下文再评分机制 《Seeing without Looking (黑盒测试)系统，可以有效地揭示商用目标检测器的错误检测结果。 ---- 【10】TBC-Net：使用语义约束的红外小目标检测实时检测器 《TBC-Net: A real-time detector for infrared small target detection TBC-Net 为了方便下载，我已经将上述论文打包，在 CVer公众号 后台回复：20200219 即可获得打包链接。
1.4K10发布于 2020-02-24 - 来自专栏机器学习炼丹术
轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015
参考目录： 0 轮廓检测 1 论文概述 2 HED结构 3 损失函数 4 损失函数 TF 5 总结 0 轮廓检测 轮廓检测，对我这样的初学者而言，与语义分割类似。 分割任务是什么我就不再赘述了，轮廓检测则是完成这样的一个任务： ? 论文中给出这样的对比图，看起来HED的效果非常的不错： ? 1 论文概述 相关论文：《Holistically-Nested Edge Detection》 论文链接：https://arxiv.org/abs/1504.06375 论文年份：2015 今天解读一篇论文 2 HED结构 来看下论文中给出的HED的结构图： ?
1.7K10发布于 2020-12-16 - 来自专栏CVer
一文看尽10篇目标检测最新论文（SpineNetAugFPNLRF-NetSABLDSFPN等）
前言 一周前 Amusi 整理了 目标检测（Object Detection）较为值得关注的论文： 一文看尽16篇目标检测最新论文（ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等 ） 本文再次更新值得关注的最新检测论文。 github上，欢迎大家 star/fork（点击阅读原文，也可直接访问）： https://github.com/amusi/awesome-object-detection 注意事项： 本文分享的目标检测论文既含 ICCV 2019和AAAI 2020刚刚开源的目标检测论文，也有追求 mAP 和 FPS trade-off的论文 论文发布时间段：2019年12月10日-2019年12月14日 目标检测论文 --- The architecture of IoU-aware single-stage object detector ---- 【10】LRF-Net：高速学习丰富的特征以进行Single-Shot
2.4K21发布于 2019-12-24 - 来自专栏专知
【论文推荐】最新5篇目标检测相关论文——显著目标检测、弱监督One-Shot检测、多框检测器、携带物体检测、假彩色图像检测
【导读】专知内容组整理了最近目标检测相关文章，为大家进行介绍，欢迎查看! 1. MSDNN: Multi-Scale Deep Neural Network for Salient Object Detection（MSDNN: 基于多尺度深度神经网络的显著目标检测） ---- 作者 considerably outperforms a baseline approach and yields a 42.6% average precision for detection across 10 期刊：arXiv, 2018年1月14日 网址： http://www.zhuanzhi.ai/document/7ba03632fa7f61fb8172f312de77552f 更多论文请上专知查看： PC登录 www.zhuanzhi.ai 点击论文查看
1.4K70发布于 2018-04-12 【论文解读】transformer小目标检测综述
其他数据集也有自己的定义，例如，占图像10%的目标。小目标经常被错误的局部边界框遗漏或发现，有时还会有不正确的标签。 鉴于这个主题的新颖性和复杂性，论文的评论主要优先考虑2022年后提出的作品。此外，论文还阐明了在更广泛的应用范围中用于定位和检测小目标的新数据集。 四、结果和基准在本节中，论文将定量和定性地评估以前的小目标检测工作，确定一个特定应用的最有效的技术。在此比较之前，论文引入了一系列专门用于小目标检测的新数据集，包括用于不同应用程序的视频和图像。 图10显示了这些数据集的时间顺序以及截至2023年6月15日的引文计数。UAV123：该数据集包含123个用无人机获取的123个视频，是全球最大的帧数超过110K帧的目标跟踪数据集之一。 MRS-1800：该数据集由来自其他三个遥感数据集的图像组合组成： DIOR 、NWPU VHR-10 和HRRSD。
2.2K10编辑于 2024-02-21- 来自专栏登神长阶
【论文复现】实时开放词汇目标检测
概述 论文：YOLO-World: Real-Time Open-Vocabulary Object Detection 代码： AILab-CVC/YOLO-World: Real-Time Open-Vocabulary 传统的目标检测模型如YOLO由于依赖于预定义和训练过的目标类别（闭集检测），它在开放场景中的适用性受到了限制，例如，使用COCO数据集训练的模型仅能识别80个不同的类别。 为了应对固定词汇检测器的限制，开放词汇目标检测（OVD）的概念应运而生，旨在识别超出预先建立类别范围之外的对象。 通过引入“提示-然后检测”的方法论，YOLO-World避开了即时文本编码的需要，而是利用用户提示生成的离线词汇来进行检测。 ，下方的文本框输入想检测的类别，然后点击submit就能在右边生成检测结果。
2.9K10编辑于 2024-11-30 - 来自专栏CSDN社区搬运
检测图像P图痕迹(论文复现)
二、概述 本文通过解读并复现两篇论文，来揭秘AI图像篡改检测领域的相关研究。 四、论文思路 这两篇论文的核心思路是利用多视角和多尺度的方式来监督图像篡改检测模型的训练。传统的方法通常只关注整个图像,而这些工作认为不同的区域和尺度对于检测也很重要。 五、模型结构 这两篇论文的模型结构都是基于卷积神经网络,但做了相应改进。 ICCV的会议论文提出了一种新的金字塔特征融合模块,将不同尺度的特征进行融合。 模型框架图 六、损失函数 为了实现多视角多尺度监督,这两篇论文都设计了相应的损失函数。ICCV论文只使用多尺度交叉熵损失,TPAMI论文将以下两种损失相加作为总损失。 通过这种方式，篡改检测模型能够生成一幅精确的篡改区域图，帮助用户识别和定位图像中的不真实内容。 由于原论文只给出了推理代码，而无训练代码，因此本文主要复现其训练过程，达到如上图所示结果。
1.2K10编辑于 2024-11-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号