VALSE

【VALSE 2019 PPT】南航CCF优博黄圣君教授-《成本敏感式主动学习》-《Cost-Sensitive Active Learning》学习记录

摘要：Inmanyrealapplications,thereareplentifulunlabeleddatabutlimitedlabeleddata,andtheacquisitionoflabelsiscostly.Activelearningreducesthelabelingcostbyiterativelyselectingthemostvaluabledatatoquerythei
人工智能博士·2020-08-03 11:33

学习笔记：弱监督学习-valse青年会议

https://www.bilibili.com/video/BV1Xt4y127sX嘉宾介绍：http://valser.org/article-357-1.html6.各类弱监督学习算法（比如半监督学习、标签噪声学习、多示例学习、迁移学习、PU学习、偏标记学习等），它们之间是否存在一定的联系？是否有可能在理论上构建统一的弱监督机器学习框架？一、议题弱监督学习和强监督学习相比，从学术研究的角度说
AIchiNiurou·2020-07-31 11:27

ValseWebinar : NAS

slide/slides/20191009/20191009-NAS-2019.pdfhttp://valser.org/webinar/slide/slides/20191009/20191009-valse_automl_v3
Moeyinss·2020-07-31 10:34

从元学习角度看待和思考通用智能（Valse2019\1\2）学习笔记

讲者一：王宇雄（卡内基梅隆大学博士）：他做了很多one-shot，two-shot、few-shot的工作，他表示few-shotlearning学的是从小样本模型到大样本模型的映射，一个变化，一个迁移，目前的Meta-learning可以看成是元学习的一种。Meta-learning的网络其实就是一个回归的过程，将不同的采样尺寸的Few-shot回归到Many-shot的模型，学习到的是模型变换
gagajian·2020-07-31 10:25

| 爱莫受邀参加VALSE Webinar报告会

VALSE是视觉与学习领域国内外华人的首要学术交流平台，「VALSEWebi
爱莫科技·2020-07-31 09:28

VALSE Webinar 弱监督图像理解专题

VALSEWebinar弱监督图像理解专题一、弱监督检测、定位和实例分割二、弱监督语义分割Paneldiscussion一、弱监督检测、定位和实例分割叶齐祥（中国科学院大学）二、弱监督语义分割程明明（南开大学）challenge：在训练的时候没有图像像素(pixel)与输入的keywords（image-levellabel）直接的对应关系，怎样建立起二者之间的联系。现有提供的工具（类别无关的）：
CZYS·2020-07-31 09:33

VALSE Webinar总结及问答记录

?数浅谈深度学习?香港中文大学罗平教授罗平，2011至14年港中文攻读博士师从汤晓鸥和王晓刚，16至17年商汤研究院访问任研究总监，18年港中文研究助理教授。近5年发表论文70余篇GoogleScholar引用4700余次。其工作具开创性，例如最早把深度学习用于行人、人脸分割、与人脸生成(CVPR12,ICCV13,NIPS14)；首先提出CNN求解MRF用于语义分割等(ICCV15,PAMI16
计算机视觉研究院·2020-07-30 23:39

如何写/审AI领域的论文【VALSE Webinar】Panel实录

编者按：随着人工智能的飞速发展，相关领域学术会议和期刊的投稿量剧增。面对大量良莠不齐的学术论文，研究人员又该秉承什么理念来撰写、评审相关领域的学术论文？以及在“破四唯”、工业界研究异军突起等新形势下如何调整自己的科研工作呢？为此，VALSEWebinar2020-18期邀请了李宏东(澳大利亚国立大学)、梅涛(京东)、山世光(中科院计算所)、杨明玄Ming-HsuanYang(美国加州大学Merce
深度学习大讲堂·2020-07-30 23:45

点云深度学习：多一维看世界【VALSE Webinar】Panel实录

编者按：随着深度学习技术的进展，如何通过深度学习对三维数据进行学习并提高几何处理方法的智能性成为近期研究工作的热点。三维技术的发展和应用正在受到学术界和工业界越来越多的关注。VALSEWebinar2020-16期邀请高林（中科院计算所）、李鸿升（香港中文大学）、章国锋（浙江大学）、郭裕兰（国防科技大学）、盛律（北京航空航天大学）针对“点云深度学习：多一维看世界”开展了深入探讨，本文是该次讨论的文
深度学习大讲堂·2020-07-30 23:44

高精度+高效率：NAS的发展趋势【VALSE Webinar】Panel实录

编者按：神经网络结构搜索(NAS)近期引起了学界和工业界的高度关注，在很多任务上都得到了应用，尤其是计算机视觉相关的任务上。有关NAS的研究也逐渐深入，那么NAS未来的发展趋势又是如何呢？VALSEWebinar2020-17期邀请王云鹤(华为诺亚方舟实验室)、欧阳万里(悉尼大学)、常晓军(蒙纳士大学)、纪荣嵘(厦门大学)、严骏驰(上海交通大学)针对“高精度+高效率：NAS的发展趋势”开展了深入探
深度学习大讲堂·2020-07-30 23:44

【VALSE Webinar】

编者按：深度学习和人类智能存在一个显著差异，即人类擅长通过极少量的样本识别新类别物体，而深度学习在此情况下很容易产生过拟合。因此，小样本问题成为了机器学习领域中重要的研究方向之一。目前已有基于度量学习、语义信息以及数据增强等多种方法，而至于大小样本的边界、小样本学习的方法论等问题还备受关注。在本文中，复旦大学付彦伟、上海科技大学何旭明、北京邮电大学马占宇、中科院计算所王瑞平（按发言顺序整理），将答
深度学习大讲堂·2020-07-30 23:44

图像质量评价：感知建模vs机器学习【VALSE Webinar】Panel实录

编者按：图像质量评价（ImageQualityAssessment,IQA）在众多领域都有着广阔的应用需求，同时图像质量评价又存在着哪些问题呢？VALSEWebinar2020-13期邀请李雷达（西安电子科技大学）、马柯德（香港城市大学）、王诗淇（香港城市大学）、吴金建（西安电子科技大学）、徐迈（北京航空航天大学）、吴庆波（电子科技大学）针对“图像质量评价：感知建模vs机器学习”开展了深入探讨，本
深度学习大讲堂·2020-07-30 23:13

【学习笔记】VALSE Webinar：GAN 主题研讨

StackGANStackGAN：Two-stageGenerativeAdversarialNetworks任务：根据句子生成图像创新：首次能够生成256*256的大图像巧：1）wordembedding->均值和方差，而不是一个featureembedding2）把小的图像转为一个conditionalvariableStackGAN-v2：改进：endtoend，morestable,red
ahigan·2020-07-30 22:11

图像复原-去伪存真【VALSE Webinar】Panel实录

编者按：近年来，深度学习方法被广泛用于解决图像复原与增强问题，并在多个复原问题上取得了巨大成功。同时，图像复原在实际落地中，又会遇到哪些挑战呢？未来又会遇到什么新的探索呢？VALSEWebinar2020-15期邀请顾舒航（悉尼大学）、万人杰（南洋理工大学）、潘金山（南京理工大学）、董超（中国科学院深圳先进技术研究院）、朱磊（香港中文大学）针对“图像复原-去伪存真”开展了深入探讨，本文是该次讨论的
深度学习大讲堂·2020-07-30 22:43

大规模医学图像中的计算与学习问题【VALSE Webinar】Panel实录

编者按：相比自然图像，医学图像中又会存在哪些计算与学习问题呢？VALSEWebinar20-12期邀请闫轲（PAII美国东部研究院）、李硕（加拿大西安大略大学）、郑国焱（上海交通大学）、窦琪（香港中文大学）、隋尧（哈佛大学）、夏勇（西北工业大学）针对“大规模医学图像中的计算与学习问题”开展了深入探讨，本文是该次讨论的文字实录，共计5个议题。文字整理：班瀚文。议题1由于成像设备和扫描参数等的不同，医
深度学习大讲堂·2020-07-30 22:42

深度神经网络的压缩与加速-后浪可以更精彩【VALSE Webinar】Panel实录

编者按：深度神经网络的压缩与加速是近年来非常热门的一个研究课题，该技术有着强大的技能。但是在实际应用中，会带来哪些问题呢？VALSEWebinar2020-14期邀请王云鹤（华为诺亚方舟实验室）、王培松（中国科学院自动化研究所）、余家辉（GoogleBrain）、林绍辉（NationalUniversityofSingapore）、谭明奎（华南理工大学）、程健（中国科学院自动化研究所）、徐畅（Th
深度学习大讲堂·2020-07-30 22:42

深度目标检测【VALSE Webinar】Panel实录

议题1物体检测是一个sovledproblem吗？现在SOTA系统还有什么不足需要继续深挖？学术界、工业界和用户对识别系统性能的评价有何不同理解？何时可以说一个问题是solved？雷震：单纯从物体检测角度还远远谈不上solvedproblem，虽然精度在提升，但相比人脸、行人检测，物体检测的精度还是比较低。实际上细分物体检测的类别发现，人或车辆相关的检测精度比较高，但对像桌子、椅子、电脑以及沙发之
深度学习大讲堂·2020-07-30 22:42

VALSE 2020 线上大会简明日程发布(7月31日-8月5日)

官网:http://valser.org/2020直播:https://live.bilibili.com/22300737VALSE2020在线大会将于2020年7月31日-8月5日在线举办。
我爱计算机视觉·2020-07-30 22:45

从脸部识别到火星机器人，正在改变世界的计算机视觉

转载自：从脸部识别到火星机器人，正在改变世界的计算机视觉-CV领域新闻-VALSE-视觉与学习青年学者研讨会http://valser.org/thread-796-1-1.html?
beihangzxm123·2020-07-28 06:35

章国锋：黑暗中的前行--复杂环境下的鲁棒SfM与SLAM | VALSE2017之十五

点击上方“深度学习大讲堂”可订阅哦！编者按：无人系统在未知环境中的移动，恰如人在黑暗中前行，是一个不断通过传感器对周围世界进行摸索感知的过程。这种感知不仅会受到外部环境、气候条件、光照变化的影响，还会受到自身的运动模式、硬件条件等的限制。因而，如何在复杂环境下，仍能保证方位定位与三维重建的精度，已经成为学术界及工业界亟待解决的问题。在本文中，来自浙江大学的章国锋副教授将为大家讲述，如何在复杂环境下
深度学习大讲堂·2020-07-27 17:44

ECCV 2018论文解读及资源集锦（8月20日更新）

本文为极市平台原创收集，转载请附原文链接：https://blog.csdn.net/Extremevision/article/details/81875068之前我们整理了CVPR2018论文解读集锦和历年VALSE
tumi678·2020-07-14 23:26

乔宇：深度模型让机器理解场景|VALSE2017之十一

点击上方“深度学习大讲堂”可订阅哦！编者按：所谓场景，无论是“万家灯火”亦或是“巴山夜雨”，于人是一种直观自然的感受；然而，对于机器而言，再多的温情脉脉，都也只是计算机世界冰冷的二进制符号。这区别的背后，其实是人在成长过程中形成的对世界的认知与理解。因此，让机器学会去准确地理解场景、理解世界，是视觉智能的一个重要标志。在本文中，来自中科院的乔宇研究员，将为大家介绍面向大规模场景分类的深度学习模型，
深度学习大讲堂·2020-07-09 12:09

Valse2019 workshop 1： 弱监督视觉理解1

幻灯片1.PNG幻灯片2.PNG幻灯片3.PNG幻灯片4.PNG幻灯片5.PNG幻灯片6.PNG幻灯片7.PNG幻灯片8.PNG幻灯片9.PNG幻灯片10.PNG幻灯片11.PNG幻灯片12.PNG幻灯片13.PNG幻灯片14.PNG幻灯片15.PNG幻灯片16.PNG幻灯片17.PNG幻灯片18.PNG幻灯片19.PNG幻灯片20.PNG幻灯片21.PNG
Hugh_1·2020-07-09 08:36

VALSE笔记 ：深度神经网络加速与压缩

模型加速与分类方法Low-RankPruningQuantizationKnowledgeDistillationCompactNetworkDesignLow-RankSVDCPDecompositionTuckerdecompositionTensorTrainDecompositionBlockTermDecomposition深度网络加速和压缩的第一种方法是Low-Rank低秩分解。由于卷
CRazyDOgen·2020-07-04 19:51

VALSE Webinar 20200226 视频行为识别 Action Recognition 摘要

文章目录0.前言1.复杂视频序列的深度表征与理解方法1.1.数据集1.2.早期行为识别方法1.3.视频行为识别的新进展1.4.总结与展望2.时空行为检测3.讨论3.1.行为的主观性、不平衡性、复合型3.2.视频数据集的标注问题、算力问题3.3.目前已有技术的应用场景3.4.研究热点、难点0.前言参考资料：官方发布的视频：只有1小时。非官方发布的视频：1小时40分，也不全。slides提纲：复杂视频
清欢守护者·2020-07-04 18:14

VALSE2019总结(4)-主题报告

4.主题报告4.1无人驾驶的环境感知与理解(jianyang,NJUST)outline无人驾驶发展简介遥控驾驶，自主驾驶，南理工无人车，行车环境视觉感知与理解(具体介绍贴图片)阴影检测与去除车道线检测行人检测与姿态估计场景分割与深度估计具体，如图https://blog.csdn.net/qq_15698613/article/details/893030604.2：Learningtotrac
weixin_30786617·2020-06-28 00:06

VALSE2019后，我们收获了什么？| 爱莫分享会

第九届视觉与学习青年学者研讨会（VisionAndLearningSEminar,VALSE）于2019年4月11日—14日在合肥市大湖名城成功举办并顺利落幕。
爱莫科技·2020-06-25 22:11

共舞学术华尔兹｜人脸识别供应商云从科技应邀厦门valse研讨会

VALSE年度研讨会正如其名，是一场为青年学者提供的优美学术华尔兹（VALSE）。2017年4月21日至23日，第七届视觉与学习青年学者研讨会于厦门大学成功举办。
只想做一个好人而已·2020-06-25 07:20

温故valse|2014XJTU-MengDeyu Matrix Factorization with unknown noise

源自孟德宇老师在2014年valse的网络视频演讲DeyuMeng,FernandoDelaTorre.RobustMatrixFactorizationwithUnknownNoise.InternationalConferenceofComputerVision
bea_tree·2020-06-22 17:42

【领域报告】图像OCR年度进展|VALSE2018之十一

编者按：“清风不识字，何事乱翻书。”早在1929年，德国科学家Tausheck提出了OCR的概念，定义为将印刷体的字符从纸质文档中识别出来。而技术发展至今，识字，已不再仅限于识别书本上的文字，而是要识别真实世界开放场景中的文字。因此，也衍生出了一系列问题，例如真实环境中文字角度不可控、语种复杂多样、环境噪声多变等，针对这些问题，学术界开展了OCR领域研究工作。本文中，来自华中科技大学的白翔教授，将
深度学习大讲堂·2020-06-22 08:34

【VALSE Webinar】Panel实录

编者按：多模态学习是深度学习中一个重要的问题。从感知到语义理解仍存在较大鸿沟。针对这几年深度学习技术在多模态学习中的发展，UniversityofTechnologySydney朱霖潮、AllenInstituteofAI卢家森、新加坡南洋理工张含望、北京航空航天大学刘偲，展开深度探讨，共话“多模态学习未来有哪些有意义的实际应用”这一议题。本文整理自VALSEWebinar2020第10期Pane
深度学习大讲堂·2020-06-22 08:02

VALSE2017系列之二: 边缘检测领域年度进展报告

深度学习大讲堂致力于推送人工智能，深度学习方面的最新技术，产品以及活动。请关注我们的知乎专栏！编者按：边缘检测是图像处理和计算机视觉中的基本问题，通过标识数字图像中亮度变化明显的点，来捕捉图像属性中的显著变化，包括深度上的不连续、表面方向的不连续、物质属性变化、和场景照明变化。南开大学的程明明副教授将带领大家回顾过去一年中，边缘检测领域在学术界的研究进展。文末提供报告中提到全部文章的下载地址以及程
算法学习者·2020-06-21 16:46

干货 |VALSE 2019总结 --PPT 打包下载

关注：决策智能与机器学习，每天学点AI干货VALSE2019之总结篇VALSE2019于4月11日在合肥成功举办，此次盛会邀请了各界青年学者，共同研讨计算机视觉的最新课题与发展方向，是一次视觉领域的交流会
九三智能控v·2020-06-21 09:01

VALSE学习（一）：high-resolution representation learning-高分辨率表示学习-姿态估计

VALSE2019会议一、相关概念表示学习：又称学习表示。在深度学习领域内，表示是指通过模型的参数，采用何种形式、何种方式来表示模型的输入观测样本X。表示学习指学习对观测样本X有效的表示。
TheDayIn_csdn·2020-06-20 23:39

从前端看，什么是从功能性出发的网页设计

背景：做VALSE2016网站的时候，没有设计师的参与。
HongyangWang·2019-12-15 15:18

曹汛：计算摄像学研究 | VALSE2017之十六

姓名：陈权学号：17021211314转载自：http://mp.weixin.qq.com/s?__biz=MzI1NTE4NTUwOQ==&mid=2650329161&idx=1&sn=3d9361a68705e76bf4e7e7edcd10e53a&chksm=f235b743c5423e5526f69ddc1acb4339546809f60742cd82bd02932d5d0240d05
盈昃_7380·2019-12-08 00:03

Valse2018参会小结——生成对抗网络系列1

Valse2018参会小结——生成对抗网络系列目录1引言2面向人脸的生成对抗网络2.1基于GAN的人脸生成及修复2.2基于生成对抗网络的超分辨率重建2.3基于生成对抗网络的人脸配准2.4基于条件生成对抗网络的图像迁移
Hugh_1·2019-11-07 23:43

生成对抗网络GAN的应用与拓展—Valse2018会议小结

生成对抗网络GAN的应用与拓展引言自从2014年以来，生成对抗网络GAN成为备受关注的一个方向，我有幸参加Valse2018会议，通过生成对抗网络GAN报告收获颇多，结合我对GAN的理解来概括过去几年来
Hugh_1·2019-11-06 17:15

NoteSet | Few-Shot

付彦伟【领域报告】小样本学习年度进展|VALSE2018https://zhuanlan.zhihu.com/p/38246454零/小样本以及开集条件下的社交媒体分析https://blog.csdn.net
小软同学·2019-06-30 17:12

VALSE学习（十九）：VALSE2018－历届资源汇总

一、文章系列1、VALSE2018|让机器“观色”：真实世界的表情识别http://www.cvmart.net/community/article/detail/236传统的手工设计的面部特征，易受到光照变化等影响
TheDayIn_csdn·2019-06-27 16:55

VALSE学习（十八）：复杂视频的深度高效分析与理解方法

VALSE2019中科院乔宇老师一、论文主题在报告中，乔老师首先回顾了深度网络的结构演化AlexNet、GoogLeNe、VGGNet、ResNet、DenseNet，给出深度网络发展的几个重要方法：优化
TheDayIn_csdn·2019-06-27 15:38

VALSE学习（十一）：弱监督图像语义分割

VALSE2019程明明南开大学一、弱监督图像语义分割基于深度卷积神经网络的传统语义分割模型严重依赖于大量人工标注数据，因而在学习新的类别信息时需要庞大的人力成本来标注数据。
TheDayIn_csdn·2019-05-24 15:56

VALSE学习（四）：注意力机制-Attention Network

VALSE2019会议论文一、精细化图像理解与多媒体内容创作TrilinearAttentionSamplingNetwork近年来，精细化图像识别任务通常采用具有“注意力”机制的深度卷积神经网络，学习判别力的目标区域
TheDayIn_csdn·2019-05-24 10:24

VALSE学习（二）：行人重识别研究进展回顾

VALSE2019报告澳大利亚国立大学-郑良一、行人重识别定义PersonRe-identification也称行人再识别，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术
TheDayIn_csdn·2019-05-23 19:29

小样本学习知识点汇总

小样本学习年度进展|VALSE2018：https://blog.csdn.net/XWUkefr2tnh4/article/details/80729940当前大数据监督训练的问题：知识无法积累，需要大量的数据集解决当前问题的方法
Evabook·2019-05-14 16:36

【资源下载】旷视研究院张祥雨valse2019报告PPT——高效轻量级深度模型的研究与实践

报告题目高效轻量级深度模型的研究与实践报告摘要深度基础模型在现代深度视觉系统中居于核心地位。在实际应用中，受应用场景、目标任务、硬件平台等的不同，经常会对模型的执行速度、存储大小、运算功耗等进行限制。因此，如何针对各种不同的情景设计“又好又快”的模型，成为深度学习系统实用化的重要课题。本次报告主要围绕实用模型设计的两个常用技术：轻量级模型设计和模型裁剪，重点介绍本团队在高效深度模型领域的科研成果和
DL&CV_study·2019-04-23 11:34

【VALSE 2019 PPT】中科院自动化所--模式识别实验室-申抒含-《基于图像的大规模场景三维建模——从几何重建到语义矢量重建》学习记录

目录摘要：申抒含简介：核心模块一：稀疏点云重建（SfM）核心模块二：稠密点云重建（SfM）核心模块三：点云网格化建模核心模块四：三维语义建模核心模块五：三维矢量建模摘要：自上世纪70年代计算机视觉成为一门独立的学科以来，在40多年的研究中，图像的三维表达，即从二维图像恢复场景三维结构始终是计算机视觉研究中的一个经典和基础问题。近年来，随着图像采集设备的不断进步，使用数码相机、街景车、无人机等设备可
人工智能博士·2019-04-19 19:51

VALSE 2019 4月11日 晚 第五会场 弱监督视觉理解 会议记录

4月11日晚第五会场弱监督视觉理解主持人：王兴刚——华中科技大学弱监督分为三类（三个等级）：不完备：一部分标签已经存在，但是仍有一部分数据不存在标签；或者是在多任务学习中，某些数据有某些标签，另一些数据有另外一类标签，两种标签都存在的数据非常少；不准确：存在噪声（比如在网上收集数据作为网络训练数据时），不确切：比如在cityscape中，存在一部分非常粗糙的标签（20000张）；有一些语义分割标签
HuaYuuuu·2019-04-16 15:57

【VALSE 2019 PPT】南开计算机视觉万人计划教授-程明明-《弱监督图像语义分割》学习记录

摘要：基于深度卷积神经网络的传统语义分割模型严重依赖于大量人工标注数据，因而在学习新的类别信息时需要庞大的人力成本来标注数据。弱监督语义分割技术，由于仅依赖图像类别标签等轻量级标注数据，也因此正在成为学术界研究的热点。本报告将介绍弱监督语义分割领域的年度进展，着重介绍基于显著性物体检测、注意力区域、边缘检测等信息用于弱监督学习的最新方法。进一步，我们还将介绍仅依赖互联网检索图像，而非人工标注图像如
人工智能博士·2019-04-16 14:45

VALSE2019小记

趁着有空去看了一波valse，和很多论文的作者当面讨论了一些问题，在此主要记录对一些paper的见解。
Dlyldxwl·2019-04-15 11:54
上一页 1 2 3 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他