Endüstri ECCV 2018 Öne Çıkanlar: Otonom Sürüş, Yeni Ağ Yapısı, Yeni Görüntü Stili Geçiş Fikirleri
Bu yıl ECCV 2018'deki katılımcı sayısı görülmemiş bir sayıya ulaştı ve bilgisayarla görme alanındaki son gelişmeler de her zaman olduğu gibi burada yer alıyor. Beklediğimiz gibi, bu konferansın tüm gündemi, evrişimli sinir ağlarının (CNN'ler) derin öğrenilmesine odaklandı.
Konferansa katılmayanlar, ECCV 2018'de açıklanan bazı göz alıcı temaları öğrenmek için bu önemli koleksiyonu kullanmak isteyebilirler:
Otopilot
Hareket halindeyken kendi kendine yerelleştirme ("yolda kendi kendine yerelleştirme")
ECCV 2018'in ana temalarından biri otonom sürüş. LIDAR ( ile rekabet edebilir misiniz? 3D nesne tespiti ve videoya dayalı araçların yeniden yapılandırılmasını gerçekleştirebilir misiniz? ECCV'deki ( bazı zorluklara göz atın.
CARLA: Otonom Sürüş Araştırmalarını Demokratikleştirme ("CARLA: Otonom Sürüş Araştırmasını Demokratikleştirme")
Kentsel alanlar için otonom sürüşün yüksek güvenlik gereksinimleri vardır. CARLA ( emülatörünü duydunuz mu? Bununla, kendi kendine sürüş algoritmanızı yolda olmadan eğitebilirsiniz. Çalışma kılavuzunu burada bulabilirsiniz (
Demo videosu: https://www.youtube.com/watch?v=AaJekfFR1KQ
Yeni sinir ağı yapısı ve düzeni
Uyarlanabilir Hesaplama Grafiklerine Sahip Evrişimli Ağlar ("Uyarlanabilir Hesaplama Grafiklerine Sahip Evrişimli Ağlar")
Anreas Veit, CNN'lerin sabit bir ileri beslemeli yapıya ihtiyaç duymadığını, ancak ImageNet'te ResNet'ten daha iyi performans gösteren uyarlanabilir bir ağ topolojisi önerdiğini belirtti. Makalenin özetini buradan okuyabilirsiniz (
Katmanları Kaldırma: Analiz ve Uygulama ("Katmanları Kaldırma: Analiz ve Uygulama")
Görüntü sınıflandırma ve görüntü denoisingte derin öğrenmenin uygulanması için, girdinin boyutunu artırmak neden yararlıdır? Neden daha hızlı antrenman yapabilirsiniz?
Ham Duyusal Girdiden Görsel Nesneleri ve Sözlü Sözleri Ortak Olarak Keşfedin ("Görsel Nesneleri ve Dil Kelimelerini Ham Sensör Girdisinden Birlikte Çıkarın")
Herkesin bahsettiği nesneleri, görüş alanlarını veya bölgeleri vurgulayabilmemiz için sinir ağlarının işitsel ve görsel anlambilim arasındaki karşılık gelen ilişkiyi bulmak için kullanılabileceğini biliyor musunuz?
Tartışmalı Tedirginlikler Kullanarak Ayrımcı Video Temsillerini Öğrenmek ("Tartışmalı Tedirginlik Yoluyla Ayrımcı Video Temsillerini Öğrenme")
CNN özellikleri, Steiffer manifoldları, Riemann eşlenik gradyan sistemi - tüm bu zor şeyler bir araya getirilmiştir.
Görüntü büyüsü
Çözülmüş Temsiller aracılığıyla Çeşitli Görüntüden Görüntüye Çeviri ("Çözülmüş Temsiller Yoluyla Çeşitli Görüntüden Görüntüye Çeviri")
Belirli içerik ve niteliklere sahip yeni bir resmi nasıl oluştururuz?
Gerçek Zamanlı HD Stil Aktarımı için Tarza Duyarlı İçerik Kaybı ("Gerçek Zamanlı HD Stil Aktarımı için Tarza Duyarlı İçerik Kaybı")
Bu makalenin yazarı, görüntü stili aktarımı sorununun temelini attı. Farklı tarih sanatçılarının tarzını taklit edebilecek kurgusal bir "resim" sağlıyorlar. Bu "tablolar", CNN'ler tarafından üretilen gerçek dünya görüntüleridir ve insanları kolayca kandırabilir. Bu çalışma, videolar oluşturmak için bile kullanılabilir!
Kochen mit Spaß!
Artık Cookpad adında bir mobil uygulama var! Bunu yiyeceklerin fotoğraflarını çekmek için kullanabilirsiniz. Bundan sonra, CNN bu uygulamanın size hangi malzemeleri hazırlayacağınızı ve bu yiyecekleri nasıl hazırlayacağınızı söyleyebilmesi için yiyecekleri tanımlayacaktır.
Kağıt görüntüleme adresi: https://www.semanticscholar.org/paper/Deep-based-Ingredient-Recognition-for-Cooking-Chen-Ngo/23fd82c04852b74d655015ff0876e6c5defc6e61
Bilgisayarla görme ailesi, gitgide daha parlak fikirler ve uygulamalarla, güçlü bir şekilde büyümeye devam ediyor!
Bu makale referansı: https://blog.alookanalytics.com/2018/09/12/highlights-from-the-european-conference-on-computer-vision-2018/
