昨天今天明天专题-计算机视觉与图形学002

《Instant Neural Graphics Primitives with a Multiresolution Hash Encoding》
《多分辨率哈希编码的即时神经图形Primitives 》
先前的神经渲染，采用全连接的神经网络，训练和评估复杂度较高。作者通过一种**多功能的新输入编码来降低成本，这种编码允许在不牺牲质量的情况下使用更小的网络，因此，大大减少了浮点和内存访问操作的数量：**一个小型神经网络由一个可训练特征向量的多分辨率哈希表扩充，其值通过随机梯度下降进行优化。多分辨率结构允许网络消除散列冲突的歧义，从而形成一个简单的体系结构，在现代GPU上进行并行化非常简单。作者利用这种并行性，使用完全融合的CUDA内核实现整个系统，重点是最小化浪费的带宽和计算操作。作者实现了几个数量级的组合加速，能够在几秒钟内训练高质量的神经图形，并以1920×1080的分辨率在几十毫秒内渲染。

链接：https://paperswithcode.com/paper/instant-neural-graphics-primitives-with-a

《slicing aided hyper inference and fine-tuning for small object detection》
《用于小目标检测的切片辅助超推理和微调》
在监控应用中，检测场景中的小物体和远处的物体是一项重大挑战。这样的物体由图像中的少量像素表示，并且缺乏足够的细节，使得它们难以使用常规检测器检测。在这项工作中，提出了一个名为切片辅助超推理（SAHI）的开源框架，该框架为小对象检测提供了一个通用的切片辅助推理和微调管道。所提出的技术是通用的，因为它可以应用于任何可用的对象检测器之上，而无需任何微调。使用Visdrone和xView航空目标检测数据集上的目标检测基线进行的实验评估表明，对于FCOS、VFNet和TOOD探测器，所提出的推理方法可分别将目标检测AP提高6.8%、5.1%和5.3%。此外，通过切片辅助微调，可以进一步提高检测精度，从而以相同的顺序累积增加12.7%、13.4%和14.5%的AP。该技术已与Detectron2、MMDetection和YOLOv5模型集成，并公开：https://github.com/obss/sahi.git

更多计算机视觉与图形学相关资料，请关注微信公众号：计算机视觉与图形学实战

如果您认为上面的内容对您有一定的价值，可以对我们进行小小的赞助，来支持我们的工作，因为后续打算构建自己的网站，谢谢：