农业生物模式识别中的计算机视觉技术

０引言随着科学技术的飞速发展,计算机视觉技术的应用已渗透到农业生物生产的各个领域。虽然在农业生产的某些阶段已经实现了机械化操作,如耕、种、植保、收获、农产品加工等阶段。但在农业生物生产的过程中,还存在着大量繁重的、重复的、单调的操作过程,这些过程仅靠...     

模式识别在计算机视觉中的实现

计算机识别技术是基于信号处理、数学几何、物理理论和识别模式结合一体的计算机视觉技术.本文主要将模式识别在计算机视觉中的实现类进行分析,希望能取得一定借鉴意义.     

第五届中国模式识别与计算机视觉大会

第五届中国模式识别与计算机视觉大会(The 5th Chinese Conference on Pattern Recognition and Computer Vision,PRCV 2022)将于2022年10月14日至10月17日在深圳举办。PRCV 2022由中国人工智能学会(CAAI)、中国计算机学会(CCF)、中国自动化学会(CAA)和中国图象图形学学会(CSIG)联合主办;由南方科技大学和深圳职业技术学院共同承办;并由香港浸会大学、香港中文大学(深圳)、哈尔滨工业大学(深圳)、中国科学院深圳先进技术研究院和中山大学联合承办,是国内顶级的模式识别和计算机视觉领域学术盛会。     

第五届中国模式识别与计算机视觉大会征文通知

第五届中国模式识别与计算机视觉大会(The 5th Chinese Conference on Pattern Recognition and Computer Vision,PRCV 2022)将于2022年10月14日至17日在广东省深圳市举办。PRCV 2022由中国人工智能学会(CAAI)、中国计算机学会(CCF)、中国自动化学会(CAA)和中国图象图形学学会(CSIG)联合主办;由南方科技大学和深圳职业技术学院共同承办;并由香港浸会大学、香港中文大学(深圳)、哈尔滨工业大学(深圳)、中国科学院深圳先进技术研究院和中山大学联合承办,是国内顶级的模式识别和计算机视觉领域学术盛会。     

人工智能与计算机视觉产业发展

随着世界科技化进程的不断加快,人工智能领域逐渐被推向世界舞台,作为人工智能领域中的重要一部分,计算机视觉技术已取得了较大的进步。计算机视觉发展的目标是为了能够让机器和人类一样拥有视觉,进行事物识别,计算机视觉已从之前对计算机图片的识别慢慢转变为对实际生活中的识别,由此迈出了技术发展的重要一步。但计算机视觉在发展过程中也不是一帆风顺的,在发展中也存在一些问题,笔者就人工智能与计算机视觉领域的发展这一话题进行深入探讨。     

视觉目标跟踪十年研究进展

视觉目标跟踪指在一个视频序列中,给定第一帧目标区域,在后续帧中自动匹配到该目标区域的任务.通常来说,由于场景遮挡、光照变化、物体本身形变等复杂因素,目标与场景的表观会发生剧烈的变化,这使得跟踪任务本身面临极大的挑战.在过去的十年中,随着深度学习在计算机视觉领域的广泛应用,目标跟踪领域也迅速发展,研究人员提出了一系列优秀...     

计算机视觉的理论框架研究

1.引言计算机视觉是计算机科学和人工智能的一个重要分支,它是工业生产自动化、机器人智能化、自主车导航、目标跟踪以及工业检测、医疗和军事应用的核心,也是实现机器智能及第五代计算机的关键因素之一。计算机视觉的研究目的和内容有两个方面,一是用计算机部分实现人类视觉的功能;二是理解人类视觉机理。此二方面使计算机视觉的研究既带有基础性,又有很强的应用特征和工程性质。就人类视觉而言,其功能集中于识别与理解周围环境内对象物坐标、物体间相对位置及颜色等。仿人类视觉机制,利用计算机实现从二维或系列图象中构造、理解三维世界模型的功能就称之为计算机视觉。由此亦知,计算机视觉是一综合性学科,它涉及图象处理、模式识别、图象理解、计算机科学等诸多领域。     

模式识别的现状与发展趋势

本文从智能化识别方法、计算机三维视觉和并行处理专用体系结构三个方面综述了模式识别的现状和发展趋势。     

计算机视觉在作物病害诊断中的研究进展

据统计,因病害引起的作物产量损失平均在12%以上,病害发生不仅影响产量,还使产品质量下降。利用计算机视觉技术对作物病害快捷检测、准确诊断,为病害防治提供科学依据是实现农业信息化发展的迫切需求。文章对计算机视觉技术用于作物病害诊断进行了详细分析和研究,以求获得这些新技术在作物病害诊断各环节的现状,指出了计算机视觉技术诊断作物病害存在的不足和研究方向。该研究对农作物病害智能检测技术的发展将起到重要的推动作用。     

深度学习发展形势下计算机视觉教学内容革新

近年来,深度学习理论与应用技术获得了快速发展,其在计算机视觉中的应用日益广泛和深入,在诸多计算机视觉任务中取得了受人注目的成绩,给现有的计算机视觉教学内容带来了不容忽视的影响。在总结深度学习理论在计算机视觉各方面应用现状的基础上,提出计算机视觉教学内容的适应性革新,将深度学习理论融入计算机视觉教学中,更好地体现相关学科理论发展对计算机视觉教学内容变革的促进作用。     

计算机视觉发展中存在的问题

在计算机视觉的发展中，Ｍａｒｒ视觉理论发挥了重要的作用。但计算机视觉与其人类的对应物－人类视觉相比，还处于相当初级的阶段。十多年来，在Ｍａｒｒ理论的框架下，计算机视觉领域中成果颇丰，同时也陆续发现了一些问题，对此，本文从输入、目的、知识、控制等方面加以论述，并提出了几点建议。     

计算机视觉

本文首先扼要介绍了正统的计算机视觉理论及其方法.侧重于通用重构中的不适定问题.然后介绍了目前在计算机视觉中出现的一些新技术和新思想,包括三维深度图象技术及主动视觉等,最后提出了几点供同行们参考的意见.     

深度学习及其在计算机视觉领域中的应用

首先回顾了计算视觉发展的历史,介绍了神经元、多层感知机和反向传播等人工神经网络的基本知识以及卷积神经网络的发展史及其卷积、池化等基本操作;讨论了AlexNet、VGGNet、GoogLeNet和ResNet等经典卷积神经网络结构,并重点介绍了CapsNet;总结了卷积神经网络在图像分类、语义分割、目标检测以及图像生成等领域的研究进展;最后提出了卷积神经网络研究所面临的挑战以及对CapsNet未来研究的展望。     

计算机视觉中的终身学习综述

终身学习（LLL）作为一种新兴方法打破了传统机器学习的局限性,并赋予了模型能够像人类一样在学习过程中不断积累、优化并转移知识的能力。近年来,随着深度学习的广泛应用,越来越多的研究致力于解决深度神经网络中出现的灾难性遗忘问题和摆脱稳定性-可塑性困境,并将LLL方法应用于各种各样的实际场景中,以推进人工智能由弱向强的发展。针对计算机视觉领域,首先,在图像分类任务中将LLL方法归纳为四大类型：基于数据驱动的方法、基于优化过程的方法、基于网络结构的方法和基于知识组合的方法;然后,介绍了LLL方法在其他视觉任务中的典型应用和相关评估指标;最后,针对现阶段LLL方法的不足之处进行讨论并提出了LLL方法未来发展的方向。     

医学3D计算机视觉：研究进展和挑战

医学影像的诊断是许多临床决策的基础,而医学影像的智能分析是医疗人工智能的重要组成部分。与此同时,随着越来越多3D空间传感器的兴起和普及,3D计算机视觉正变得越发重要。本文关注医学影像分析和3D计算机的交叉领域,即医学3D计算机视觉或医学3D视觉。本文将医学3D计算机视觉系统划分为任务、数据和表征3个层面,并结合最新文献呈现这3个层面的研究进展。在任务层面,介绍医学3D计算机视觉中的分类、分割、检测、配准和成像重建,以及这些任务在临床诊断和医学影像分析中的作用和特点。在数据层面,简要介绍了医学3D数据中最重要的数据模态：包括计算机断层成像（computed tomography,CT）、磁共振成像（magnetic resonance imaging,MRI）、正电子放射断层成像（positron emission tomography,PET）等,以及一些新兴研究提出的其他数据格式。在此基础上,整理了医学3D计算机视觉中重要的研究数据集,并标注其数据模态和主要视觉任务。在表征层面,介绍并讨论了2D网络、3D网络和混合网络在医学3D数据的表征学习上的优缺点。此外,针对医学影像中普遍存在的小数据问题,重点讨论了医学3D数据表征学习中的预训练问题。最后,总结了目前医学3D计算机视觉的研究现状,并指出目前尚待解决的研究挑战、问题和方向。     

计算机视觉下的果实目标检测算法综述

基于计算机视觉的果实目标检测识别是目标检测、计算机视觉、农业机器人等多学科的重要交叉研究课题,在智慧农业、农业现代化、自动采摘机器人等领域,具有重要的理论研究意义和实际应用价值。随着深度学习在图像处理领域中广泛应用并取得良好效果,计算机视觉技术结合深度学习方法的果实目标检测识别算法逐渐成为主流。本文介绍基于计算机视觉的果实目标检测识别的任务、难点和发展现状,以及2类基于深度学习方法的果实目标检测识别算法,最后介绍用于算法模型训练学习的公开数据集与评价模型性能的评价指标,且对当前果实目标检测识别存在的问题和未来可能的发展方向进行讨论。