开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

调整大小并使用特征作为调整大小的对象

是指根据特定的特征或标准来调整图像、视频或其他多媒体对象的大小。这种调整大小的方法可以根据对象的特征进行智能化处理，以确保调整后的对象在视觉上保持良好的质量和一致性。

在云计算领域，调整大小并使用特征作为调整大小的对象可以应用于多个场景，例如：

图像处理：在图像处理中，调整图像的大小是一项常见的任务。通过使用特征作为调整大小的对象，可以根据图像的内容和结构来智能地调整图像的大小，以保持图像的比例和细节。
视频流处理：在实时视频流处理中，调整视频的大小是一项重要的任务。通过使用特征作为调整大小的对象，可以根据视频中的运动、物体大小和位置等特征来智能地调整视频的大小，以适应不同的显示设备或带宽限制。
多媒体应用：在多媒体应用中，如相册、视频编辑和广告制作等，调整多媒体对象的大小是常见的需求。通过使用特征作为调整大小的对象，可以根据多媒体对象的内容和用途来智能地调整大小，以满足不同的展示需求。

腾讯云提供了一系列与调整大小相关的产品和服务，包括：

腾讯云图像处理（https://cloud.tencent.com/product/img）：提供了图像处理的各种功能，包括调整图像大小、裁剪、旋转等，可以根据特定的特征进行智能化处理。
腾讯云视频处理（https://cloud.tencent.com/product/vod）：提供了视频处理的各种功能，包括调整视频大小、剪辑、转码等，可以根据特定的特征进行智能化处理。
腾讯云多媒体处理（https://cloud.tencent.com/product/mps）：提供了多媒体处理的综合解决方案，包括图像、视频、音频等多种类型的处理功能，可以根据特定的特征进行智能化处理。

通过使用腾讯云的相关产品和服务，用户可以方便地实现调整大小并使用特征作为调整大小的对象的需求，并获得高质量和智能化的处理效果。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

两阶段目标检测指南：R-CNN、FPN、Mask R-CNN

计算机视觉中最基本和最广泛研究的挑战之一是目标检测。该任务旨在在给定图像中绘制多个对象边界框，这在包括自动驾驶在内的许多领域非常重要。通常，这些目标检测算法可以分为两类：单阶段模型和多阶段模型。在这篇文章中，我们将通过回顾该领域一些最重要的论文，深入探讨用于对象检测的多阶段管道的关键见解。

03

NVIDIA Jetson OpenCV开发实战教程（中）

从一个应用程序开始，它将图像显示为一个Mat对象，然后调整大小、旋转图像或检测“canny”的边缘，再显示结果。然后，为了忽略图像feather的高频边缘，模糊图像，再次运行边缘检测器。随着窗口大小的增加，feather的边缘消失，只留下输入图像中更重要的边缘。

02

MoCo不适用于目标检测？MSRA提出对象级对比学习的目标检测预训练方法SoCo！性能SOTA！（NeurIPS 2021）

本文分享 NeurIPS 2021 论文『Aligning Pretraining for Detection via Object-Level Contrastive Learning』MSRA提出对象级对比学习的目标检测预训练方法！性能SOTA！

04

使用SSD进行目标检测：目标检测第二篇

【导读】近日，CV-Tricks.com发布了一篇文章，使用SSD进行目标检测，SSD是当前最流行的目标检测算法之一。作者从检测的基本概念、滑动窗口检测、减少滑动窗口方法的冗余计算、修改后网络的训练方

05

更丰富的卷积特征用于目标边缘检测

【导读】边缘检测是计算机视觉中的一个基本问题。近年来，卷积神经网络(CNNs)的出现极大地推动了这一领域的发展。现有的方法采用特定的深层CNN，但由于尺度和纵横比的变化，可能无法捕捉到复杂的数据结构。今天分享的paper提出了一种利用更丰富的卷积特征(RCF)来精确的边缘检测方法。

03

SSD: Single Shot MultiBox Detector

本文提出了一个使用单一深度神经网络对图像中的目标进行检测的方法。本文的方法称为SSD，根据每个feature map位置不同的宽高比和尺度，将Bounding Box的输出离散为Bounding Box先验的集合。在预测时，网络产生置信度，认为每个先验对应感兴趣的目标，并对先验进行调整，以便更好地匹配目标的形状。此外，该网络结合了来自具有不同分辨率的多个特征图的预测，以自然地处理不同大小的目标。SSD模型相对于需要目标建议的方法(如R-CNN和MultiBox)是简单的，因为它完全抛弃了生成建议的步骤，并将所有计算封装在一个网络中。这使得SSD易于训练，并且易于集成到需要检测组件的系统中。在ILSVRC DET和PASCAL VOC数据集上的实验结果证实，SSD的性能与使用目标建议步骤的方法相当，但速度要快100-1000倍。与其他单阶段方法相比，SSD具有相似或更好的性能，为训练和推理提供了统一的框架。

01

DeepLab、DeepLabv3、RefineNet、PSPNet…你都掌握了吗？一文总结图像分割必备经典模型（二）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 19 个在图像分割任务上曾取得 SOTA 的经典模型。第 1 期：FCN、ReSeg、U-Net、ParseNet、DeepMask、S

04

SilhoNet：一种用于3D对象位姿估计和抓取规划的RGB方法

论文题目：SilhoNet:An RGB Method for 3D Object Pose Estimation and Grasp Planning

01

更丰富的卷积特征用于目标边缘检测（文末附有论文及源码下载）

边缘检测是计算机视觉中的一个基本问题。近年来，卷积神经网络(CNNs)的出现极大地推动了这一领域的发展。现有的方法采用特定的深层CNN，但由于尺度和纵横比的变化，可能无法捕捉到复杂的数据结构。今天分享的paper提出了一种利用更丰富的卷积特征(RCF)来精确的边缘检测方法。

01

文本生成图像工作简述5--对条件变量进行增强的 T2I 方法（基于辅助信息的文本生成图像）

在传统的T2I方法中，常常使用一个固定的随机噪声向量作为输入，然后通过生成器网络来生成图片。而条件变量增强的T2I方法则通过引入额外的条件信息来生成更具特定要求的图片，这个条件信息可以是任何与图片相关的文本信息，比如图片的描述、标签或者语义向量。

01

亚毫秒级手机人脸识别！谷歌BlazeFace算法重大突破，面向移动GPU

近年来，深度神经网络的各种架构改进使得实时目标检测成为可能。实验室可以不计一切地开发各种算法追求逼近极限的精度，而实际应用中，响应速度、能耗和精度都重要。这就要求算法的复杂度要低、适合硬件加速。

02

YOLO算法

YOLO，全称为You Only Look Once: Unified, Real-Time Object Detection，是一种实时目标检测算法。目标检测是计算机视觉领域的一个重要任务，它不仅需要识别图像中的物体类别，还需要确定它们的位置。与分类任务只关注对象是什么不同，目标检测需要同时处理离散的类别数据和连续的位置数据。YOLO算法基于深度学习的回归方法，它将目标检测问题转化为一个回归问题，使用单个卷积神经网络（CNN）直接从输入图像预测边界框（bounding box）和类别概率。这种方法避免了传统目标检测算法中复杂的多阶段处理流程，如区域提议、特征提取等。

01

fasterrcnn深度学习口罩检测

当我们输入一张图片，首先传达给backbone网络进行特征提取，backbone的选择不是唯一的，可以使用resnet50,101等等，其目的就是为了得到图像的大小较小，但却很深的特征层

05

CVPR 2023--CiteTracker：关联图像和文本以进行视觉跟踪

现有的视觉跟踪方法通常以图像块作为目标的参考来进行跟踪。然而，单个图像块无法提供目标对象的完整和精确的概念，因为图像的抽象能力有限并且可能是模糊的，这使得跟踪变化剧烈的目标变得困难。在本文中，我们提出了 CiteTracker，通过连接图像和文本来增强视觉跟踪中的目标建模和推理。具体来说，我们开发了一个文本生成模块，将目标图像块转换为包含其类别和属性信息的描述性文本，为目标提供全面的参考点。此外，还设计了动态描述模块来适应目标变化，以实现更有效的目标表示。然后，我们使用基于注意力的相关模块将目标描述和搜索图像关联起来，以生成目标状态参考的相关特征。在五个不同的数据集上进行了广泛的实验来评估所提出的算法，并且相对于最先进的方法的良好性能证明了所提出的跟踪方法的有效性。源代码和训练模型将在 https://github.com/NorahGreen/CiteTracker 发布。

01

多目标跟踪 | FairMOT：统一检测、重识别的多目标跟踪框架，全新Baseline

论文地址：https://arxiv.org/pdf/2004.01888v2.pdf

04

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

现有的深度卷积神经网络(CNNs)需要一个固定大小的输入图像(如224×224)。这一要求是“人为的”，可能会降低对任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了另一种池化策略，“空间金字塔池”，以消除上述要求。这种新的网络结构称为SPP-net，可以生成固定长度的表示，而不受图像大小/比例的影响。金字塔池对物体变形也有很强的鲁棒性。基于这些优点，SPP-net一般应改进所有基于cnn的图像分类方法。在ImageNet 2012数据集中，我们证明了SPP-net提高了各种CNN架构的准确性，尽管它们的设计不同。在Pascal VOC 2007和Caltech101数据集中，SPP-net实现了最先进的分类结果使用单一的全图像表示和没有微调。在目标检测中，spp网络的能力也很重要。利用SPP-net算法，只对整个图像进行一次特征映射计算，然后将特征集合到任意区域(子图像)，生成固定长度的表示形式，用于训练检测器。该方法避免了卷积特征的重复计算。在处理测试图像时，我们的方法比R-CNN方法快24-102×，而在Pascal VOC 2007上达到了更好或相近的精度。在2014年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC)中，我们的方法在所有38个团队中目标检测排名第二，图像分类排名第三。本文还介绍了本次比赛的改进情况。

02

一文了解动态场景中的SLAM的研究现状

常规的SLAM算法首先假设环境中所有物体均处于静止的状态。而一些能够在动态环境中运行的SLAM系统，只是将环境中的动态物体视为异常值并将他们从环境中剔除，再使用常规的SLAM算法进行处理。这严重影响SLAM在自动驾驶中的应用。

02

Region Proposal Network (RPN) 架构详解

如果您正在阅读这篇文章[1]，那么我假设您一定听说过用于目标检测的 RCNN 系列，如果是的话，那么您一定遇到过 RPN，即区域提议网络。如果您不了解 RCNN 系列，那么我强烈建议您在深入研究 RPN 之前单击此处阅读这篇文章。

03

基于TensorFlow和Keras的图像识别

TensorFlow和Keras最常见的用途之一是图像识别/分类。通过本文，您将了解如何使用Keras达到这一目的。

02

计算机视觉识别简史：从 AlexNet、ResNet 到 Mask RCNN

【新智元导读】 Medium 用户 Đặng Hà Thế Hiển 制作了一张信息图示，用专业、简洁并且最有吸引力的方式——信息图示，讲述计算机视觉（CV）物体识别的现代史。不仅总结了CV 6 大关键技术和目标识别的重要概念，整个信息图示从 2012年 AlexNet 赢得了 ILSVRC（ImageNet大规模视觉识别挑战赛）说起，总结了至今关键的 13 大模型及其概念，比如 VGGNet、ResNet、Inception 到最近的 Mask RCNN。作者特别强调，所有参考文献都精挑细选，以便读者能够

09

【一图看懂】计算机视觉识别简史：从 AlexNet、ResNet 到 Mask RCNN

原文：medium 来源：新智元作者：Đặng Hà Thế Hiển 编译：新智元编辑部本文长度为5000字，建议阅读8分钟本文通过一张信息图示，讲述计算机视觉（CV）物体识别的现代史，总结CV 6 大关键技术和目标识别的重要概念。［导读］Medium 用户 Đặng Hà Thế Hiển 制作了一张信息图示，用专业、简洁并且最有吸引力的方式——信息图示，讲述计算机视觉（CV）物体识别的现代史。不仅总结了CV 6 大关键技术和目标识别的重要概念，整个信息图示从 2012年 AlexNet 赢

07

图像处理之目标检测入门总结

本文首先介绍目标检测的任务，然后介绍主流的目标检测算法或框架，重点为Faster R-CNN，SSD，YOLO三个检测框架。本文内容主要整理自网络博客，用于普及性了解。

01

【论文笔记】YOLOv4: Optimal Speed and Accuracy of Object Detection

github地址：https://github.com/AlexeyAB/darknet

04

关注背景信息的运动物体发现

The Background Also Matters: Background-Aware Motion-Guided Objects Discovery

01

YOLO v2

相对于YOLOv1，改进后的v2版使用一种新的、多尺度的训练方法，相同的YOLOv2模型可以在不同的尺寸运行，在速度和准确性之间达到简单的折中。这个模型由于可以对9000类目标进行分类，因此称为YOLO9000，但是依然能实时的运行。文章的最后提出了一种联合训练目标检测与分类的方法。这种方法同时在COCO检测数据集和ImageNet分类数据集同时训练YOLO9000。这种联合训练可使YOLO9000预测没有标记检测数据的对象。

05

Kaggle优胜者详解：如何用深度学习实现卫星图像分割与识别

王新民编译量子位出品 | 公众号 QbitAI 最近，Kaggle网站举办了一场在卫星图像上进行场景特征检测的比赛，数据集由英国国防科学与技术实验室（DSTL）提供。以色列团队deepsense.io在419支参赛队伍中获得了第四名的成绩。deepsense.io的模型使用了改进版的U-Net网络，这是一种常用于图像分割问题的人工神经网络。随后，他们在官方网站上发布文章，介绍了模型所使用的深度学习方法，并分享了在完成项目过程中学习到的教训。量子位编译了他们的文章，供大家学习。比赛介绍国防科

详解 YOLO3

YOLOv3没有太多的创新，主要是借鉴一些好的方案融合到YOLO里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。

01

IENet: Interacting Embranchment One Stage Anchor Free Detector

航空图像中的目标检测是一项具有挑战性的任务，因为它缺乏可见的特征和目标的不同方向。目前，大量基于R-CNN框架的检测器在通过水平边界盒(HBB)和定向边界盒(OBB)预测目标方面取得了显著进展。然而，单级无锚解仍然存在开放空间。提出了一种基于逐像素预测检测器的航空图像定向目标单级无锚检测器。我们通过开发一个具有自我注意机制的分支交互模块来融合来自分类和框回归分支的特征，从而使它成为可能。在角度预测中采用几何变换，使预测网络更易于管理。我们还引入了一种比正多边形借条更有效的借条损耗来检测OBB。在DOTA和HRSC2016数据集上对所提出的方法进行了评估，结果表明，与最先进的检测器相比，我们所提出的IENet具有更高的OBB检测性能。

01

CVPR 2020 | CenterMask : Anchor-Free 实时实例分割(长文详解)

https://github.com/youngwanLEE/CenterMask

03

大卷积核大有用处 | LSKNet + DiffusionDet更高更强的目标检测模型

空中图像中的物体检测已成为一个动态且关键的研究领域，主要关注通过空中平台（如卫星、无人机或飞机）捕获的高分辨率图像中物体的识别和定位。这种技术在众多领域得到应用，包括但不限于城市规划，精确农业，灾害管理，以及军事监视。

01

卷积神经网络新手指南之二

卷积神经网络新手指南之二引言本文将进一步探讨有关卷积神经网络的更多细节，注：以下文章中部分内容较为复杂，为了保证其简明性，部分内容详细解释的研究文献会标注在后。步幅和填充让我们看回之前的转换层

07

农林业遥感图像分类研究[通俗易懂]

遥感图像处理是数字图像处理技术中的一个重要组成部分，长期以来被广泛应用于农林业的遥感测绘，防灾减灾等领域。本文旨在通过深度学习技术从遥感影像中分类出农田和林业地块。手工从遥感图像中分类出农田和林业区域分类虽然准确但是效率低下，并且很多采用传统图像分割技术的方法泛化性能差，不适合场景复杂的遥感图像。经实践证明，使用深度学习技术在各种计算机视觉任务中都取得了良好的效果，因此本文首先使用先进的深度学习框架进行分类实验，例如使用PSPNet,UNet等作为分割网络对遥感图像数据集进行分类与分割训练。这些框架在ImageNet，COCO，VOC等数据集上表现很好，但是由于遥感图像数据集相对于ImageNet，COCO等数据集，不仅检测对象相对较小而且可供学习的数据集样本较少，需要针对这一特点进行优化。本文经过多次实验将高分辨率的图像切割成合适大小分辨率的图像以减小神经网络的输入，同时进行图片的预处理和数据增强来丰富学习样本。同时在真实情况下，农林区域易受到拍摄视角，光照等造成分割对象重叠，因此本文提出一种处理分割对象重叠的处理策略，来优化边界预测不准确的情况，使用该方法后准确率有明显提升。经实验证明，本文所提出的基于深度学习的农林业遥感影像分割在开源遥感图像数据集上的取得了94.08%的准确率，具有较高的研究价值农林业遥感图像数据（图1）对于许多与农林业相关的应用至关重要。例如作物类型和产量监测，防灾减灾以及对粮食安全工作的研究和决策支持。最初，这些数据主要由政府机构使用。如今，蓬勃发展的农林业技术也需要在农场管理，产量预测和林业规划等各种应用领域进行革新。以往农林业地块的高质量遥感图像数据主要是手动在高分辨率图像中分割出来的，即通过土地功能不同引起的颜色，亮度或纹理的差异与周围区域亮度或纹理的差异与周围区域区分开来。尽管农林业遥感图像的手动分类可以非常准确，但是非常耗时耗力。图1.1：农田的遥感图像分割定期更新农林业遥感图像数据的需求日益增加扩大了自动化分割农林业遥感图像的需求。与ImageNet、VOC2007、COCO等目标检测/分类数据集中的大多数图像相比，农林业遥感图像中的对象相对简单。例如，人体的图像数据看起来要复杂得多，因为它包含各种不同纹理和形状的子对象（面部，手部，衣服等）。因此，优化传统的图像分割以及深度学习技术来设计用于农林业遥感图像分割的算法是非常重要的。该模型需要正确地排除不需要进行分割的对象（房屋，工厂，停车场等），区分具有几乎相似的光谱特性的相邻区域和可见度差的边界区域，并且正确地分割出所需的对象。 1.2 选题来源与经费支持本研究课题来源于计算机与信息工程学院随着传感器技术，航空航天技术，图像处理技术快速的发展，利用卫星遥感图像进行深度学习处理广泛应用于生产实际中。由于农林业遥感图像场景复杂，使用传统图像处理分割算法效果差且泛化性能弱，本文使用深度学习方法，在现有的的深度学习模型上训练，优化，最终提出一种一种优化后的深度学习模型，经测试，该模型在收集的农林业遥感图像数据集上可以准确的分割出所需的对象，本文提出的模型主要解决如下几个难点：

02

ECCV 2020 oral | CondInst：沈春华团队新作，将条件卷积引入实例分割

论文地址：https://arxiv.org/pdf/2003.05664.pdf

04

10000+谷歌员工学过的谷歌内部图像分类课程公开了！

新智元报道来源：Google AI 编译：肖琴【新智元导读】今天，Google AI再次放出大招，推出一个专注于机器学习实践的“交互式课程”，第一门是图像分类机器学习实践，已有超过10000名

03

rcnn fast rcnn faster rcnn_档案整理年终总结

行人检测有两种方向，传统算法和基于深度学习算法。传统算法的典型代表有Haar特征+Adaboost算法，Hog特征+Svm算法，DPM算法。而基于深度学习的行人检测典型代表有RCNN系列，YOLO系列和SSD系列。其中RCNN系列算法是现在使用的最广泛的基于深度学习的行人检测算法。

02

【大牛经验】高吞吐低延迟Java应用的垃圾回收优化

高性能应用构成了现代网络的支柱。LinkedIn有许多内部高吞吐量服务来满足每秒数千次的用户请求。要优化用户体验，低延迟地响应这些请求非常重要。比如说，用户经常用到的一个功能是了解动态信息——不断更

09

7月Python最佳开源项目Top 10

【导读】七月就要结束了，小编为大家整理了本月 Python 最受欢迎的十大开源项目。他山之石，可以攻玉，爱好Python的朋友们一起学习Github上的优秀项目哦~

03

日常读paper | 一款口罩检测应用 ——RetianMask

论文地址：https://arxiv.org/pdf/2005.03950.pdf

03

Spatial Attention Pyramid Network for Unsupervised Domain Adaptation

无监督域适配在各种计算机视觉任务重很关键，比如目标检测、实例分割和语义分割。目的是缓解由于域漂移导致的性能下降问题。大多数之前的方法采用对抗学习依赖源域和目标域之间的单模式分布，导致在多种场景中的结果并不理想。为此，在本文中，我们设计了一个新的空口岸注意力金字塔网络来进行无监督域适配。特别的，我们首先构建了空间金字塔表示来获得目标在不同尺度的内容信息。以任务指定的信息为引导，在每个尺度上，我们组合了密集的全局结构表示和局部纹理模式，有效的使用了空间注意力截止。采用这种方式，网络被强迫关注内容信息由区别力的地方来进行域适配。我们在各种由挑战性的数据集上进行了昂贵的实验，对目标检测、实例分割和语义分割进行了域适配，这证明了我们的方法比最佳的方法有了很大的提升。

03

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

CornerNet: Detecting Objects as Paired Keypoints

我们提出了一种新的对象检测方法——拐角网络，该方法利用单一的卷积神经网络将对象的左上角和右下角作为一对关键点检测出来。通过检测成对的关键点，我们消除了设计一组锚箱的需要，通常使用单级检测器。除了我们的新公式，我们还引入了角池化，这是一种新的池化层，可以帮助网络更好地定位角。实验表明，在MS COCO上，CornerNet实现了42.2%的AP，优于现有的所有一级检测器。

02

TabR:检索增强能否让深度学习在表格数据上超过梯度增强模型？

这是一篇7月新发布的论文，他提出了使用自然语言处理的检索增强Retrieval Augmented技术，目的是让深度学习在表格数据上超过梯度增强模型。

02

一文读懂 Garbage Collection 与 CPU 资源

在计算机科学体系中，垃圾收集（GC）是一种自动内存管理的形式。垃圾收集器，也称为收集器，会尝试回收程序不再使用的对象所占用的内存空间。由于对象是使用 new 运算符动态分配的，因此程序员需要确保这些对象在不再使用时被销毁并释放内存，以便将内存用于以后的重新分配。

05

卷积神经网络在图像分割中的进化史：从R-CNN到Mask R-CNN

王小新编译自 Medium 量子位出品 | 公众号 QbitAI 卷积神经网络（CNN）不仅能用来对图像进行分类，还在图像分割任务重有着广泛的应用。 Dhruv Parthasarathy就职于Athelas，一家专注于深度学习技术的医疗健康公司。他在Medium上发布了一篇博客文章，介绍了在具体的图像分割任务中如何应用卷积神经网络，来得到更好的效果。以下内容编译自Parthasarathy文章：自从深度学习鼻祖Geoff Hinton与他的研究生Alex Krizhevsky和Ilya Sut

05

Uber 如何为近实时特性构建可伸缩流管道？

Uber 致力于为全球客户提供可靠的服务。要达到这个目标，我们很大程度上依靠机器学习来作出明智的决定，如预测和增益。所以，用来产生机器学习数据和特征的实时流管道已经越来越受到重视。

01

学习用于视觉跟踪的深度紧凑图像表示

在本文中，我们研究了跟踪可能非常复杂背景的视频中运动物体轨迹的挑战性问题。与大多数仅在线学习跟踪对象外观的现有跟踪器相比，我们采用不同的方法，受深度学习架构的最新进展的启发，更加强调（无监督）特征学习问题。具体来说，通过使用辅助自然图像，我们离线训练堆叠去噪自动编码器，以学习对变化更加鲁棒的通用图像特征。然后是从离线培训到在线跟踪过程的知识转移。在线跟踪涉及分类神经网络，该分类神经网络由训练的自动编码器的编码器部分构成，作为特征提取器和附加分类层。可以进一步调整特征提取器和分类器以适应移动物体的外观变化。与一些具有挑战性的基准视频序列的最先进的跟踪器进行比较表明，当我们的跟踪器的MATLAB实现与适度的图形处理一起使用时，我们的深度学习跟踪器更准确，同时保持低计算成本和实时性能单位（GPU）。

05

做目标检测，这一篇就够了！2019最全目标检测指南

计算机视觉是一门研究如何对数字图像或视频进行高层语义理解的交叉学科，它赋予机器“看”的智能，需要实现人的大脑中（主要是视觉皮层区）的视觉能力。

03

做目标检测，这一篇就够了！2019最全目标检测指南

计算机视觉是一门研究如何对数字图像或视频进行高层语义理解的交叉学科，它赋予机器“看”的智能，需要实现人的大脑中（主要是视觉皮层区）的视觉能力。

03

FASA: Feature Augmentation and Sampling Adaptationfor Long-Tailed Instance Segmentation

最近的长尾实例分割方法在训练数据很少的稀有目标类上仍然很困难。我们提出了一种简单而有效的方法，即特征增强和采样自适应（FASA），该方法通过增强特征空间来解决数据稀缺问题，特别是对于稀有类。特征增强（FA）和特征采样组件都适用于实际训练状态——FA由过去迭代中观察到的真实样本的特征均值和方差决定，我们以自适应损失的方式对生成的虚拟特征进行采样，以避免过度拟合。FASA不需要任何精心设计的损失，并消除了类间迁移学习的需要，因为类间迁移通常涉及大量成本和手动定义的头/尾班组。我们展示了FASA是一种快速、通用的方法，可以很容易地插入到标准或长尾分割框架中，具有一致的性能增益和很少的附加成本。

01

10000+谷歌员工学过的谷歌内部图像分类课程公开了！

来源 | Google AI 翻译 | 肖琴【磐创AI导读】：本文授权转载自新智元，给大家分享介绍了谷歌的机器学习实践课程（图像分类）。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。【介绍】最

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭