快速 R-CNN 在人机协同搜索中的评估
本文研究计算机视觉、深度神经网络(DNN)、人类视觉感知和无体系结构视觉学习之间的联系,并发现 DNN 计算可用于估计感知损失,并与有趣的理论观点一致,即人类感知的特性是视觉学习无体系结构的结果。
Jan, 2017
本文比较了人类视觉系统和深度神经网络(DNN)在图像退化方面的泛化能力,发现人类视觉系统更加耐受于图像处理,而当信号变弱时,人类和 DNN 的分类误差模式逐渐分离,这表明在视觉识别方面,人类和 DNN 之间仍存在显著差异。
Jun, 2017
自动检测 X 射线图像中的违禁物品可以显著增加公共安全,提高机场、地铁、海关 / 邮局等地的安全人员的工作效率,并减轻其心理负担。研究表明,变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。
Oct, 2023
在图像质量失真的影响下,深度神经网络的表现远不及人类,但两者的错误率存在着较少的相关性,表明图像的内部表现在网络和人类眼中存在差异。这些与人类视觉表现的比较有助于指导未来更具鲁棒性的深度神经网络的发展。
May, 2017
通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比,研究表明,与这三种人工智能算法相比,人类视觉系统在几乎所有的测试图像处理中都更加鲁棒,其误差模式渐行渐远。本文还证明了,利用失真图像直接训练的深度学习神经网络在恰当的测试条件下,表现优于人类。然而,当被分别用于测试不同类型的失真图像时,它们的泛化能力极差,无法适应噪声分布的变化,这成为深度学习视觉系统所面临的关键挑战,可用一种终身机器学习的方法进行系统化解决。
Aug, 2018
本文提出了一个基于 Faster R-CNN 的快速目标检测模型重训练的端到端框架,涵盖了自动图像生成和标注、现场模型重训练以及基于 FPGA 边缘设备的推理的全流程。同时,我们提出了一种新的损失函数 —— 内部扩散物体球损失函数来解决开放世界识别问题,并且可以显著减少未知目标的误报率。
Apr, 2022
该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统,结合了图像分割、增强和卷积神经网络等技术,可以在 8 秒内检测到目标,并使用合成数据生成和数据增强技术提高检测精度,这一解决方案有望帮助一线应对突发事件和搜救操作。
Apr, 2019
本论文提出了一种基于 Faster R-CNN 的 CAD 系统,该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变,且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。
Jul, 2017
该研究探索了深度学习在自动驾驶计算机视觉技术中的应用及其对系统性能的改进影响。研究结果表明,深度学习技术可以显著提高自动驾驶系统的准确性和实时响应能力。尽管在环境感知和决策支持方面仍存在挑战,但随着技术的进步,预计未来能实现更广泛的应用和更大的潜力。
Jun, 2024