昨天今天明天专题-计算机视觉与图形学002

Posted wx62cecd4679aef

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了昨天今天明天专题-计算机视觉与图形学002相关的知识,希望对你有一定的参考价值。


《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。

昨天今天明天专题-计算机视觉与图形学002_人工智能


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

昨天今天明天专题-计算机视觉与图形学002_目标检测_02


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

昨天今天明天专题-计算机视觉与图形学002_多分辨率_03

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:


以上是关于昨天今天明天专题-计算机视觉与图形学002的主要内容,如果未能解决你的问题,请参考以下文章

昨天今天明天专题-计算机视觉与图形学003

计算机图形学——微表面模型

今天是昨天与明天的分割线

计算机图形学常用术语整理

计算机图形学(OPENGL):法线贴图

计算机图形学实验五——简单动画的实现