


„AI Perspective Eye', dreifacher Marr-Preisträger Andrew, leitet ein Team, um das Problem der Okklusion und Vervollständigung eines beliebigen Objekts zu lösen
Okklusion ist eines der grundlegendsten, aber immer noch ungelösten Probleme in der Computer-Vision, da Okklusion das Fehlen visueller Informationen bedeutet, während maschinelle Vision-Systeme für die Wahrnehmung und das Verständnis auf visuelle Informationen angewiesen sind, und in der realen Welt zwischen Objekten Gegenseitige Okklusion ist überall. Die neueste Arbeit des Teams von Andrew Zisserman am VGG-Labor der Universität Oxford löste systematisch das Problem der Vervollständigung der Okklusion beliebiger Objekte und schlug einen neuen und genaueren Bewertungsdatensatz für dieses Problem vor. Diese Arbeit wurde von MPI-Chef Michael Black, dem offiziellen Account von CVPR, dem offiziellen Account des Department of Computer Science der University of Southern California usw. auf der X-Plattform gelobt. Das Folgende ist der Hauptinhalt des Papiers „Amodal Ground Truth and Completion in the Wild“.
- Papierlink: https://arxiv.org/pdf/2312.17247.pdf
- Projekthomepage: https://www.robots.ox.ac.uk/~vgg /research/amodal/
- Codeadresse: https://github.com/Championchess/Amodal-Completion-in-the-Wild
Die amodale Segmentierung dient dazu, das Objekt zu vervollständigen. Der verschlossene Teil ist das ist eine Formmaske, die die sichtbaren und unsichtbaren Teile des Objekts darstellt. Diese Aufgabe kann vielen nachgelagerten Aufgaben zugute kommen: Objekterkennung, Zielerkennung, Instanzsegmentierung, Bildbearbeitung, 3D-Rekonstruktion, Videoobjektsegmentierung, Unterstützung der Beziehungsbegründung zwischen Objekten, Robotermanipulation und -navigation, da bei diesen Aufgaben bekannt ist, dass das verdeckte Objekt vorhanden ist intakt Die Form wird helfen.
Allerdings ist die Bewertung der Leistung eines Modells für die nichtmodale Segmentierung in der realen Welt ein schwieriges Problem: Obwohl es in vielen Bildern eine große Anzahl verdeckter Objekte gibt, wie erhält man eine Referenz dafür? die vollständigen Formen dieser Objekte. Was ist mit Standard- oder nichtmodalen Masken? Frühere Arbeiten beinhalteten die manuelle Annotation nichtmodaler Masken, aber die Referenzstandards für eine solche Annotation lassen sich nur schwer vermeiden. Es gibt auch Arbeiten, bei denen synthetische Datensätze erstellt werden, z. B. das direkte Anhängen eines anderen Objekts an ein vollständiges Objekt vollständige Form des verdeckten Objekts, die so gewonnenen Bilder sind jedoch keine echten Bildszenen. Daher schlägt diese Arbeit eine Methode durch 3D-Modellprojektion vor, um einen großen realen Bilddatensatz (MP3D-Amodal) zu erstellen, der mehrere Objektkategorien abdeckt und amodale Masken bereitstellt, um die Leistung der amodalen Segmentierung genau zu bewerten. Der Vergleich verschiedener Datensätze ist wie folgt:
Konkret können wir am Beispiel des MatterPort3D-Datensatzes für jeden Datensatz mit echten Fotos und einer dreidimensionalen Struktur der Szene die Daten kombinieren aller Objekte in der Szene Die dreidimensionale Form wird gleichzeitig auf die Kamera projiziert, um die Modalmaske jedes Objekts (die sichtbare Form, da sich die Objekte gegenseitig verdecken) und dann die dreidimensionale Form jedes Objekts zu erhalten Die Szene wird separat auf die Kamera projiziert, um die nichtmodale Maske des Objekts, d. h. die vollständige Form, zu erhalten. Durch den Vergleich der modalen Maske und der nichtmodalen Maske können verdeckte Objekte herausgesucht werden.
Die Statistiken des Datensatzes lauten wie folgt:
Ein Beispiel des Datensatzes lautet wie folgt:
Lösen Sie die vollständige Form Rekonstruktionsaufgabe eines beliebigen Objekts. Der Autor extrahiert das Vorwissen über die vollständige Form des Objekts aus den Merkmalen des stabilen Diffusionsmodells, um eine nichtmodale Segmentierung jedes verdeckten Objekts durchzuführen. Die spezifische Architektur ist wie folgt (SDAmodal):
Die Motivation für den Vorschlag, die Stable Diffusion-Funktion zu verwenden, besteht darin, dass die Stable Diffusion die Fähigkeit hat, Bilder zu vervollständigen, sodass sie bis zu einem gewissen Grad alle Informationen über das Objekt enthalten kann, und weil die Stable Diffusion mit einem großen Umfang trainiert wurde Bei der Anzahl der Bilder kann davon ausgegangen werden, dass die Funktionen jedes Objekt in jeder Umgebung verarbeiten können. Im Gegensatz zu früheren zweistufigen Frameworks erfordert SDAmodal keine annotierten Okklusionsmasken als Eingabe; SDAmodal hat eine einfache Struktur, zeigt aber eine starke Fähigkeit zur Verallgemeinerung von Nullproben (vergleiche die Einstellungen F und H in der folgenden Tabelle, nur beim Training auf COCOA kann eine Verbesserung erzielt werden). auf einem anderen Datensatz in einer anderen Domäne und anderen Kategorien); selbst wenn es keine Annotation von verdeckten Objekten gibt, kann SDAmodal den vorhandenen Datensatz COCOA, der mehrere Arten von verdeckten Objekten abdeckt, und den neu vorgeschlagenen MP3D-Amodal-Datensatz verbessern. SOTA-Leistung (Einstellung H) wurde erreicht.
Neben quantitativen Experimenten spiegeln auch qualitative Vergleiche die Vorteile des SDAmodal-Modells wider: Aus der folgenden Abbildung (alle Modelle sind nur auf COCOA trainiert) lässt sich für verschiedene Arten von verdeckten Objekten erkennen, ob Unabhängig davon, ob es von COCOA oder einem anderen MP3D-Amodal stammt, kann SDAmodal den Effekt der nichtmodalen Segmentierung erheblich verbessern, und die vorhergesagte nichtmodale Maske kommt der realen näher.
Für weitere Einzelheiten lesen Sie bitte das Originalpapier.
Das obige ist der detaillierte Inhalt von„AI Perspective Eye', dreifacher Marr-Preisträger Andrew, leitet ein Team, um das Problem der Okklusion und Vervollständigung eines beliebigen Objekts zu lösen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

MySQL kann JSON -Daten zurückgeben. Die JSON_EXTRACT -Funktion extrahiert Feldwerte. Über komplexe Abfragen sollten Sie die Where -Klausel verwenden, um JSON -Daten zu filtern, aber auf die Leistungsauswirkungen achten. Die Unterstützung von MySQL für JSON nimmt ständig zu, und es wird empfohlen, auf die neuesten Versionen und Funktionen zu achten.

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

Die MySQL-Datenbankleistung Optimierungshandbuch In ressourcenintensiven Anwendungen spielt die MySQL-Datenbank eine entscheidende Rolle und ist für die Verwaltung massiver Transaktionen verantwortlich. Mit der Erweiterung der Anwendung werden jedoch die Datenbankleistung Engpässe häufig zu einer Einschränkung. In diesem Artikel werden eine Reihe effektiver Strategien zur Leistungsoptimierung von MySQL -Leistung untersucht, um sicherzustellen, dass Ihre Anwendung unter hohen Lasten effizient und reaktionsschnell bleibt. Wir werden tatsächliche Fälle kombinieren, um eingehende Schlüsseltechnologien wie Indexierung, Abfrageoptimierung, Datenbankdesign und Caching zu erklären. 1. Das Design der Datenbankarchitektur und die optimierte Datenbankarchitektur sind der Eckpfeiler der MySQL -Leistungsoptimierung. Hier sind einige Kernprinzipien: Die Auswahl des richtigen Datentyps und die Auswahl des kleinsten Datentyps, der den Anforderungen entspricht, kann nicht nur Speicherplatz speichern, sondern auch die Datenverarbeitungsgeschwindigkeit verbessern.
