CV技术指南

​前言：这篇论文旨在以极低的计算成本解决性能大幅下降的问题。提出了微分解卷积，将卷积矩阵分解为低秩矩阵，将稀疏连接整合到卷积中。提出了一个新的动态激活函数-- Dynamic Shift Max，通过

​前言： 边缘 AI 是当今一个非常令人兴奋的领域，有很多发展和创新即将到来。多年来，机器学习预测有一个明显的趋势，即向下移动到更接近用户、不需要网络连接并且可以实时解决复杂问题（例如自动驾驶）的嵌入

公众号在前面发过三篇分别对BatchNorm解读、分析和总结的文章(文章链接在文末)，阅读过这三篇文章的读者对BatchNorm和归一化方法应该已经有了较深的认识和理解。在本文将介绍一篇关于Batch

​ 论文：Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework 代码：https://github

​论文：Rethinking Spatial Dimensions of Vision Transformers 代码：https://github.com/naver-ai/pit 获取：在CV技术

​ CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（二）--卷积核可视化 CNN可视化技术总结（三）--类可视化 ​欢迎关注公众号 CV技术指南 ，专注于计算机视觉的技术总结、最新技术

​CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（二）--卷积核可视化 ​欢迎关注公众号 CV技术指南 ，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。 导言： 前面我们介绍

​ 导言： 上篇文章我们介绍了特征图可视化方法，对于特征图可视化的方法（或者说原理）比较容易理解，即把feature map从特征空间通过反卷积网络映射回像素空间。 那卷积核怎样可视化呢，基于什么原理

​ 导言： 在CV很多方向所谓改进模型，改进网络，都是在按照人的主观思想在改进，常常在说CNN的本质是提取特征，但并不知道它提取了什么特征，哪些区域对于识别真正起作用，也不知道网络是根据什么得出了分类

​前言： 视频实例分割（VIS）是一项需要同时对视频中感兴趣的对象进行分类、分割和跟踪的任务。本文提出了一种新的基于 Transformers 的视频实例分割框架 VisTR，它将 VIS 任务视为直

几个月前，我根据 Simoncelli 2016 年的论文编写了自己的自动编码器，用于研究目的。一开始，我想使用一些流行的深度学习框架（例如 Tens

第三十五届 AAAI 人工智能会议 (AAAI-21) 以虚拟会议的形式拉开帷幕。组委会在开幕式上公布了最佳论文奖和亚军。三篇论文获得了最佳论文奖，三篇被评为亚

通过姿势估计，我们尝试从图像中推断出物体或人的姿势。这涉及识别和定位身体上的关键点。由于身体的小关节、遮挡和缺乏上下文、旋转和方向，关键点的识别是一项非常具有挑战性的任务。在本文其余部分将主要关注人体

前言： 一篇论文中常常可以看到很多图，如论文提出模型与baseline模型在数据集上的效果对比示例图，（我们通常需要些在自己模型上预测很好，而baseline表现不好的样本作为展示），或者训出的模型在

​前言： 在之前写的一篇计算机视觉入门路线文章中，我推荐大家在不用任何框架、只使用numpy这种包的情况下，从零实现一个卷积神经网络。其中一个很重要的因素就是在这个过程中大家会了解到卷积过程在底层中是

​深度学习是一种非常奇怪的技术。几十年来，它的发展轨迹与人工智能的主流完全不同，在少数信徒的努力下得以生存。几年前当我开始使用它时，它让我想起了第一次玩iPhone——感觉我得到了未来送回我们的东西，

​ 前言： 目标检测的预测框经过了滑动窗口、selective search、RPN、anchor based等一系列生成方法的发展，到18年开始，开始流行anchor free系列，CornerNe

​前言： 目标检测是计算机视觉中的一项传统任务。自2015年以来，人们倾向于使用现代深度学习技术来提高目标检测的性能。虽然模型的准确性越来越高，但模型的复杂性也增加了，主要是由于在训练和NMS后处理过

​CNN结构演变总结（一）经典模型 CNN结构演变总结（二）轻量化模型 前言： 前两篇对一些经典模型和轻量化模型关于结构设计方面的一些创新进行了总结，在本文将对前面的一些结构设计的原则，作用进行总结。

​ CNN结构演变总结（一）经典模型 导言： 上一篇介绍了经典模型中的结构演变，介绍了设计原理，作用，效果等。在本文，将对轻量化模型进行总结分析。 轻量化模型主要围绕减少计算量，减少参数，降低实际运行