- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习
【计算机视觉】一、计算机视觉概述
一、计算机视觉 模仿人类视觉系统 如何使计算机从数字图像或视频中获得高层次的理解 计算机视觉是人工智能的重要组成部分，是赋予机器自然视觉能力的学科，相当于是人工智能的大门。 二、计算机视觉与其它学科领域的关系 计算机视觉与其他许多学科领域存在紧密联系,相互借鉴、交叉渗透,这种跨学科的交叉正是推动计算机视觉不断发展的重要动力。 计算机视觉中已有的许多方法与人类视觉极为相似。许多计算机视觉研究者对研究人类视觉计算模型比研究计算机视觉系统更感兴趣，希望计算机视觉更加自然化，更加接近生物视觉。 人类视觉系统设计给了计算机视觉极大的启发,很多生物视觉计算模型都被成功应用于视觉算法中,如卷积神经网络等。 四、计算机视觉的意义 自动识别图像或视频中的对象 从视觉数据中提取出潜在信息 使计算机看到/学习程序员没有告诉它们的东西 用计算算法模仿人类的视觉感知 训练计算机理解视觉世界 通过视觉感知来认识世界 How
1.9K10编辑于 2024-07-30 - 来自专栏编程
计算机视觉
一.计算机视觉 计算机视觉是人工智能 (AI) 的一个领域，是指让计算机和系统能够从图像、视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。 如果说人工智能赋予计算机思考的力，那么计算机视觉就是赋予发现、观察和理解的能力。计算机视觉的工作原理与人类视觉类似，只不过人类起步更早。 多样性与适应性：深度学习在多个领域都有应用，包括视觉识别、语音识别、自然语言处理、游戏、医学影像分析等 五.计算机视觉领域 六.计算机视觉应用 1.工业中的计算机视觉 在工业中，图像识别被应用于人工智能视觉检测 3.农业中的计算机视觉 计算机视觉在农业中的应用同样正经历着快速发展，旨在提高农业生产的效率和可持续性。 七.计算机视觉前景 计算机视觉的前景非常广阔，它被认为是人工智能和机器学习领域最具潜力的技术之一。
62910编辑于 2024-05-11 - 来自专栏智能算法
机器视觉与计算机视觉的区别？
计算机视觉与机器视觉，首先是应用场景不一样，就像@Vinjn张静 回答的那样：你把摄像头对着人就是CV，对着车间就是MV。 计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧重点不同而已，一个侧重人工智能分支，一个侧重工业应用！ 既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。 计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。 关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。 以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业； 而机器视觉顾名思义，业务主要跟机器相关
3.5K111发布于 2018-04-03 - 来自专栏计算机工具
计算机视觉-LeNet
然后使用Softmax激活函数即可计算出每个类别的预测概率。 【提示】： 卷积层的输出特征图如何当作全连接层的输入使用呢？ 第二个全连接层输出神经元个数为分类标签的类别数 self.fc2 = Linear(in_features=64, out_features=num_classes) # 网络的前向计算过程 )和maxpool之后，得到形状为[Bx16x4x4]的特征图；经过第三层卷积(out_channels=120, kernel_size=4)之后，得到形状为[Bx120x1x1]的特征图，在FC层计算之前 logits = model(img) # 计算损失函数 loss_func = paddle.nn.CrossEntropyLoss logits = model(img) pred = F.softmax(logits) # 计算损失函数
52310编辑于 2024-12-14 - 来自专栏信息安全
计算机视觉入门
随着科技的飞速发展，计算机视觉技术逐渐渗透到我们生活的方方面面。无论是手机拍照的自动美颜功能，还是无人驾驶汽车的障碍物识别，都离不开计算机视觉的支持。那么，什么是计算机视觉？它又有哪些应用呢？ 接下来，让我们一起走进计算机视觉的世界。 计算机视觉是一门研究如何使计算机从图像或视频中获取信息并理解其内容的学科。简单来说，就是让计算机像人一样“看”世界，并从中提取有用的信息。 在计算机视觉的应用中，人脸识别无疑是最为人们所熟知的。无论是手机解锁，还是车站安检，人脸识别技术都发挥着重要作用。此外，计算机视觉还在医疗影像分析、安防监控、自动驾驶等领域发挥着巨大作用。 比如，在医疗领域，医生可以通过计算机视觉技术快速准确地识别出病变区域；在安防领域，智能监控系统可以实时监测并识别出异常行为。 当然，计算机视觉技术的发展也离不开深度学习的支持。 对于初学者来说，学习计算机视觉可能会有些困难，但只要掌握了基础知识，并多加实践，就一定能够掌握这门技术。同时，随着技术的不断进步，相信计算机视觉将会在未来的更多领域发挥更大的作用。
43810编辑于 2024-10-09 - 来自专栏腾讯大讲堂的专栏
深度学习重构视觉计算
来自TEG的AI Lab 计算机视觉中心的总监、专家工程师刘威，就深度学习重构视觉计算，给大家进行了分享。 近年来，计算机视觉已经成为人工智能的研究热点。 而计算机视觉的研究也不断从图像AI转到多媒体（视频）AI上。视频AI不仅需要建模图像的空间域信息，还需要建模视频帧之间的时间域信息。 首先讲一下我的组，也就是“计算机视觉中心”，迄今为止的研究成果。我们有9项专利申请，论文全部发表于2017年。我是2016年6月份加入腾讯的，这是我们一年的研究成果。 今天的主题是“计算机视觉被深度学习重构”。为什么有重构？重构肯定有摧毁，这也是我的一个疑问，在深度学习时代，深度学习是否已经摧毁了计算机视觉？ 至少深度学习很大程度上重构了计算机视觉或者视觉计算。为什么讲重构？因为迄今为止，我们不能完全丢开传统的计算机视觉的算法、模型。一旦使用到了滤波器，就还是在使用以前的东西，但是重要性明显大打折扣。
1.9K50发布于 2018-03-01 - 来自专栏腾讯云服务器团队的专栏
加速，视觉计算！腾讯云遨驰异构计算平台视觉计算解决方案
在虚拟世界中云蹦迪、在小程序里云游敦煌、在VR空间中看房... 这些与「全真互联」密切相关的新场景，逐渐在我们身边发生。 虚拟世界和真实世界的大门已经打开，无论是从虚到实，还是由实入虚，都在致力于帮助用户实现更真实的体验。随着VR等新技术、新的硬件和软件在各种不同场景的推动，我相信全真互联能够给我们带来全新的生活方式，丰富我们的感知和体验。 腾讯云与合作伙伴一起，近年来在游戏、社交、地产等领域的探索中，积累了丰富的「全真互联」实战经验。11月25日，我们诚邀您一起探讨「全真互联」发展趋势及技术实践。期待您的
1.1K50编辑于 2022-11-22 - 来自专栏52ai人工智能
什么是计算机视觉？什么是机器视觉？
然而，小伙伴们知道视觉对于机器人是多么难能可贵吗？我们平时所说的计算机视觉和机器视觉又有什么区别呢？今天小编就为大家讲一讲什么是计算机视觉、什么又是机器视觉。 机器视觉则偏重于计算机视觉技术工程化，能够自动获取和分析特定图像，以控制相应的行为。 1 计算机视觉 计算机视觉是指用摄像机和电脑及其他相关设备，对生物视觉的一种模拟。 计算机视觉的最终目标是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。 如何让计算机从这些死板的数字里面读取到有意义的视觉线索，是计算机视觉应该解决的问题。 然而，计算机视觉发展多年，却依然存在着一系列难以解决的难题。 计算机视觉的研究很大程度上是针对图像的内容。如下图所示，如何让计算机判断出图片中都是猫，才是计算机视觉研究的内容。 机器视觉主要是指工业领域的视觉研究，例如自主机器人的视觉，用于检测和测量的视觉。
1.6K31发布于 2019-01-18 - 来自专栏流川疯编写程序的艺术
推荐一个计算机视觉图书：python计算机视觉编程
) #axis('off') title('Plotting: "empire.jpg"') show() 这个编辑器着实不错，可以下断点，单步调试啥的，完全满足日常需要，python又降低了进行计算机视觉相关研究的门槛啊
1K20发布于 2019-01-18 - 来自专栏SIGAI学习与实践平台
计算机视觉文章盘点
cycle-consistency，降低视频标注成本 关键词：视频标注 论文解读 Receptive Field Block Net for Accurate and Fast 关键词：检测模型 计算机视觉技术 目标跟踪相关 行人检测算法综述 关键词：行人检测 行人重识别 PCB-RPP，SGGNN 关键词：行人重识别 【CVPR2018】最新 Video-based ReID 论文解读 关键词：ReID 视觉多目标跟踪算法综述 关键词：图匹配 图像分割技术介绍 关键词：图像分割 视频分割在移动端的算法进展综述 关键词：语义分割 视频语义分割介绍 关键词：语义分割 三维深度学习中的目标分类与语义分割 关键词：语义分割 基于单目视觉的三维重建算法综述
1.1K20发布于 2019-05-17 - 来自专栏机器视觉工坊
计算机视觉入门基础
1、计算机视觉是一门研究如何使机器“看”的科学。 是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给一起检测的图像。 2、计算机视觉的应用 无人驾驶 无人安防 人脸识别 文字识别 车牌识别 以图搜图 VR/AR 3D重构 医学图像分析诊断 4、计算机视觉的实现基本过程为： 1）计算机从图片中生成数学模型。 2）计算机图形在模型中对图像进行绘制，然后在图像处理过程中将其作为输入，另外给出处理图像作为输出 。 ? 5、计算机视觉的理念在某些方面其实与很多概念有部分重叠，包括：人工智能、数字图像处理、机器学习、深度学习、模式识别、概率图模型、科学计算以及一系列的数学计算等。 6、计算机视觉库OpenCV是Intel开源计算机视觉库。它由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。
95420发布于 2020-07-28 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
我们的方法以较小的模型尺寸和较低的计算成本实现了优越的SR性能。 这项工作是机器人视觉场景理解挑战（RVSU）的一部分。性能评估表明，我们的流水线改进了基线方法，没有明显的计算瓶颈。 Information Technology, School of Computer Science, Beijing Institute of Technology, Beijing , China 摘要：图像共分割在计算机视觉领域引起了广泛的关注 然而，在生成性对抗网络（GAN）的训练中利用这些视觉解释是计算机视觉研究中一个尚未探索的领域。事实上，我们认为这类信息可以以积极的方式影响GANs训练。 Centre for Craniofacial and Regenerative Biology, King’s College London, London SE,RT, UK 摘要：近年来，深入学习计算机视觉技术在许多成像领域取得了许多成功
2.5K30发布于 2021-08-24 - 来自专栏计算机与AI
《几何代数计算入门（计算机视觉）》
几何代数计算（计算机视觉）简介组成 部分：计算机视觉系列（3本书）| 作者：Dietmar Hildenbrand 语言：英语 页数：212页 ISBN-10书号：1498748384 ISBN-13 基于计算机的探索。因此，不知不觉中，活跃的读者就会在几何几何代数算法的开发，几何直观，高度理解和完全优化方面进行自我教育。” 本书的主要目标是通过从工程/计算的角度介绍几何代数来弥合这一差距。 本书旨在快速介绍“几何代数”计算及其在几何建模中的强大功能。从几何对象的角度来看，它着重于最基本的对象，即点，线和圆。 该书探讨了如何以非常直观的方式使用这些几何对象进行计算以及它们的几何运算和变换。 这本书遵循自上而下的方法，虽然专注于2D，但也很容易扩展到3D计算。 还涵盖了工程应用程序中的代数，例如计算机图形学，计算机视觉和机器人技术。
79810发布于 2021-04-16 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
利用扩展数据集，我们开发和训练了接管时间（TOT）模型，这些模型在计算机视觉算法产生的中高级特征上依次运行，这些特征在不同的面向驾驶员的摄像机视图上运行，显示了在扩展数据集上训练的模型优于初始数据集。 Winter Conference of Computer Vision (WACV 2022) 链接：https://arxiv.org/abs/2107.12859 摘要：物体的自主装配是机器人技术和三维计算机视觉中的一项重要任务 respectively. 【3】 Computer Vision-Based Guidance Assistance Concept for Plowing Using RGB-D Camera 标题：基于计算机视觉的 on Imaging Systems and Techniques, August 24-26 2021 链接：https://arxiv.org/abs/2107.12646 摘要：提出了一种基于计算机视觉的农用车辅助导航系统的概念 像ImageNet这样的数据集彻底改变了计算机视觉应用，可以加速新型作物制图技术的发展。目前，美国农业部（USDA）每年发布耕地数据层（CDL），该数据层包含整个美利坚合众国分辨率为30m的作物标签。
2.6K40发布于 2021-07-29 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
其中一个特征就是火焰中不同辐射区域的分割，因此本文对几种传统的计算机视觉和深度学习分割方法进行了探索性的研究。 考虑到人类视觉系统对低亮度下的亮度差异更为敏感，我们采用$\gamma$量化而不是线性量化。为了加快计算速度，我们用神经网络重新组织了信息熵的计算过程。 张量能够有效地捕捉结构化的、潜在的语义空间和高阶的交互作用，在计算机视觉领域有着悠久的应用历史。随着计算机视觉深度学习范式转换的到来，张量变得更加重要。 本文在表征学习和深度学习的背景下对张量和张量方法进行了深入而实用的回顾，特别侧重于视觉数据分析和计算机视觉应用。 该算法在未来的量子计算体系结构中具有向更高维度扩展的潜力，为解决三维计算机视觉和图形中的匹配问题开辟了多个新的方向。
2.5K20发布于 2021-07-27 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
然而，由于高计算复杂度和缺乏自然的标记化，将变换器应用于视频领域以实现诸如长期视频生成和场景理解等任务仍然是难以捉摸的。 自动和手动ICAC容积测量的组内相关性为0.98（95%CI:0.97，0.98；在整个数据集中计算）。 独立观察者评估之间的敏感度为73.9%，PPV为89.5%，组内相关性为0.91（95%CI:0.84，0.95；在47扫描子集中计算）。在盲法视觉比较中，自动描绘比手动描绘更准确（p值=0.01）。 我们提出的FoleyGAN模型能够调节视觉事件的动作序列，从而产生视觉对齐的真实音轨。 近年来，计算机视觉和医学成像领域中的生成性对抗网络（Generative敌对网络，GANs）的发展为增强肿瘤检测和分析能力提供了基础。
2K20发布于 2021-07-27 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
虽然两个ViT设计中的绝大多数计算是相同的，但我们发现，早期视觉处理中的这一微小变化导致训练行为在对优化设置的敏感性以及最终模型精度方面明显不同。 在本文中，我们提出了一个有效的训练后量化算法，以减少存储和计算成本的视觉Transformer。基本上，量化任务可被视为分别为权重和输入寻找最优低位量化间隔。 卷积神经网络（CNN）通过引入图像处理中的诱导偏差，在许多计算机视觉任务中取得了优异的性能，并被确立为事实上的主干。 近年来，受Transformer在NLP任务中取得巨大成功的启发，视觉Transformer模型应运而生。与CNN相比，使用更少的诱导偏差，他们在计算机视觉任务中取得了很好的效果。 在这篇综述文章中，我们讨论了具身视觉语言规划（EVLP）任务，这是一系列突出的具身导航和操作问题，它们共同使用计算机视觉和自然语言。
3K30发布于 2021-07-02 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
\url{this https URL} 链接：https://arxiv.org/abs/2107.12292 摘要：具有自我关注的Transformer引发了自然语言处理领域的一场革命，并在众多的计算机视觉任务中激发了 IEEE International Conference on Computer Vision (ICCV), 2021 链接：https://arxiv.org/abs/2107.12081 摘要：视觉文本识别无疑是计算机视觉中研究最广泛的课题之一 unchen,ETH Zurich,Westwell lab 备注：Accepted to ICCV 2021 链接：https://arxiv.org/abs/2107.11992 摘要：点云配准是三维计算机视觉中的一个基本问题 我们从计算机视觉和自然语言处理的不同数据集和任务来评估我们的方法。 在本文中，我们提出了一种多实例学习（MIL）技术，通过计算机视觉分析LC手术图像来评估胆囊壁血管。这些滤袋对应于53例手术中181gb图像的标记（低与高）血管数据集。
3.1K20发布于 2021-07-28 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
Technology 备注：accepted as a regular paper to IEEE Transactions on Image Processing 摘要：现有的道路坑洼检测方法可分为基于计算机视觉的方法和基于机器学习的方法 在这方面，基于计算机视觉的方法是过去十年的主流研究趋势，而基于机器学习的方法只是讨论而已。 在接近碰撞阶段，基于计算机视觉（CV）的碰撞预测正受到越来越多的关注。提前感知致命碰撞风险的能力也至关重要，因为这将提高碰撞预测的可靠性。 基于跨代特征交互学习的亲属关系验证 链接：https://arxiv.org/abs/2109.02809 作者：Guan-Nan Dong,Chi-Man Pun,Zheng Zhang 摘要：在许多潜在的计算机视觉应用中 自动驾驶|车辆|车道检测等(1篇) 【1】 Smart Traffic Monitoring System using Computer Vision and Edge Computing 标题：基于计算机视觉和边缘计算的智能交通监控系统
2.4K20发布于 2021-09-16 - 来自专栏深度学习和计算机视觉
特斯拉的计算机视觉
这在标准计算机上是不可能的。特斯拉使用称为HydraNets的特定架构，在该架构中共享主干。 2台摄像机深度估算 使用这种立体视觉和传感器融合，特斯拉不需要LiDAR。他们可以仅基于这两个摄像机进行距离估计。唯一的窍门是相机不使用相同的镜头：在右边，更远的距离显得更近。 @FSD推理—特斯拉建立了自己的计算机，该计算机具有自己的神经处理单元（NPU）和GPU用于推理。阴影模式-特斯拉从车辆收集结果和数据，并将其与预测结果进行比较，以帮助改进注释：这是一个闭环！ 7.总结 特斯拉正在同时执行50个任务，这些任务必须全部在称为FSD（完全自驾车）的小型计算机上运行。
73230发布于 2021-02-05
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