Участник:Taranov srg/Computer vision not on neural networks — различия между версиями

Материал из DISCOPAL
Перейти к: навигация, поиск
Строка 4: Строка 4:
  
 
Доклад носит ознакомительный характер со следующей структурой:
 
Доклад носит ознакомительный характер со следующей структурой:
 +
 +
 
1)Ведение:
 
1)Ведение:
 +
 
1.1) Представление автора, обозначение что такое копмьютерное зрение.
 
1.1) Представление автора, обозначение что такое копмьютерное зрение.
 +
 
1.2) Примеры задач, решаемые с помощью DCNN
 
1.2) Примеры задач, решаемые с помощью DCNN
 +
 
2) Основная часть, примеры задач "классического" компьютерного зрения:
 
2) Основная часть, примеры задач "классического" компьютерного зрения:
 +
 
2.1) Стереозрение: использование композиции камер для отслеживания объектов в пространстве и во времени, вычисления траекторий и скоростей
 
2.1) Стереозрение: использование композиции камер для отслеживания объектов в пространстве и во времени, вычисления траекторий и скоростей
 +
 
2.2) Создание 3D карт объектов: определение координат элементов изображения в пространстве
 
2.2) Создание 3D карт объектов: определение координат элементов изображения в пространстве
 +
 
2.3) Склейка панорам
 
2.3) Склейка панорам
 +
 
2.4) Поляризация: анализ физических свойств объекта с помощью сопоставления его изображений полученных камерами с разной поляризацией объектива
 
2.4) Поляризация: анализ физических свойств объекта с помощью сопоставления его изображений полученных камерами с разной поляризацией объектива
 +
  
  
 
Комментарий:
 
Комментарий:
 
Так как доклад ознакомительный, то не имеет барьера входа, и будет в основном интересен людям не причастным к данной области. На мой взгляд не очень хорошо раскрыты преимущества классических методов компьютерного зрения по сравнению с нейронными сетями. Кажется, что в первых 3 приведённых задачах такое преимущество выражается в первую очередь в вычислительной простоте классических методов в сравнении с DCNN, однако так как автор этого не указала остаётся только догадыватся. В вопросах коснулись того как происходит распознавание объектов 3D моделирования, но то что алгоритм работает на мобильном устройстве это не аргумент, лёгкие DCNN тоже можно гонять на мобильных устройствах, а что касается конкретно распознавание строений, то есть отдельные работы который изучают его, например, https://arxiv.org/abs/1511.07247 и в сумме неочевидно, почему классические методы компьютерного зрения лучше. Очень интересной показалась тема поляризации, кажется что это может дать крутые результаты, алгоритмы работающие с этим могут быть основой для каких-то иных задач, скажем, для дополнительного анализа каких-нибудь деталий на конвеере, с помощью поляризационного алгоритма можно производить детекцию нужного изображения, а далее уже использовать распознавание с CNN. Было бы  очень интересно полсушать про поляризационный алгоритм отдельно.
 
Так как доклад ознакомительный, то не имеет барьера входа, и будет в основном интересен людям не причастным к данной области. На мой взгляд не очень хорошо раскрыты преимущества классических методов компьютерного зрения по сравнению с нейронными сетями. Кажется, что в первых 3 приведённых задачах такое преимущество выражается в первую очередь в вычислительной простоте классических методов в сравнении с DCNN, однако так как автор этого не указала остаётся только догадыватся. В вопросах коснулись того как происходит распознавание объектов 3D моделирования, но то что алгоритм работает на мобильном устройстве это не аргумент, лёгкие DCNN тоже можно гонять на мобильных устройствах, а что касается конкретно распознавание строений, то есть отдельные работы который изучают его, например, https://arxiv.org/abs/1511.07247 и в сумме неочевидно, почему классические методы компьютерного зрения лучше. Очень интересной показалась тема поляризации, кажется что это может дать крутые результаты, алгоритмы работающие с этим могут быть основой для каких-то иных задач, скажем, для дополнительного анализа каких-нибудь деталий на конвеере, с помощью поляризационного алгоритма можно производить детекцию нужного изображения, а далее уже использовать распознавание с CNN. Было бы  очень интересно полсушать про поляризационный алгоритм отдельно.

Версия 06:49, 28 декабря 2020

Отзыв на доклад Компьютерное зрение, это далеко не только про нейронные сети (Татьяна Елисеева, SECR-2019)

http://0x1.tv/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%BE%D0%B5_%D0%B7%D1%80%D0%B5%D0%BD%D0%B8%D0%B5,_%D1%8D%D1%82%D0%BE_%D0%B4%D0%B0%D0%BB%D0%B5%D0%BA%D0%BE_%D0%BD%D0%B5_%D1%82%D0%BE%D0%BB%D1%8C%D0%BA%D0%BE_%D0%BF%D1%80%D0%BE_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%81%D0%B5%D1%82%D0%B8_(%D0%A2%D0%B0%D1%82%D1%8C%D1%8F%D0%BD%D0%B0_%D0%95%D0%BB%D0%B8%D1%81%D0%B5%D0%B5%D0%B2%D0%B0,_SECR-2019)

Доклад носит ознакомительный характер со следующей структурой:


1)Ведение:

1.1) Представление автора, обозначение что такое копмьютерное зрение.

1.2) Примеры задач, решаемые с помощью DCNN

2) Основная часть, примеры задач "классического" компьютерного зрения:

2.1) Стереозрение: использование композиции камер для отслеживания объектов в пространстве и во времени, вычисления траекторий и скоростей

2.2) Создание 3D карт объектов: определение координат элементов изображения в пространстве

2.3) Склейка панорам

2.4) Поляризация: анализ физических свойств объекта с помощью сопоставления его изображений полученных камерами с разной поляризацией объектива


Комментарий: Так как доклад ознакомительный, то не имеет барьера входа, и будет в основном интересен людям не причастным к данной области. На мой взгляд не очень хорошо раскрыты преимущества классических методов компьютерного зрения по сравнению с нейронными сетями. Кажется, что в первых 3 приведённых задачах такое преимущество выражается в первую очередь в вычислительной простоте классических методов в сравнении с DCNN, однако так как автор этого не указала остаётся только догадыватся. В вопросах коснулись того как происходит распознавание объектов 3D моделирования, но то что алгоритм работает на мобильном устройстве это не аргумент, лёгкие DCNN тоже можно гонять на мобильных устройствах, а что касается конкретно распознавание строений, то есть отдельные работы который изучают его, например, https://arxiv.org/abs/1511.07247 и в сумме неочевидно, почему классические методы компьютерного зрения лучше. Очень интересной показалась тема поляризации, кажется что это может дать крутые результаты, алгоритмы работающие с этим могут быть основой для каких-то иных задач, скажем, для дополнительного анализа каких-нибудь деталий на конвеере, с помощью поляризационного алгоритма можно производить детекцию нужного изображения, а далее уже использовать распознавание с CNN. Было бы очень интересно полсушать про поляризационный алгоритм отдельно.