低層次和高層次特征都在語(yǔ)義分割任務(wù)中發(fā)揮著重要的作用?，F(xiàn)有的語(yǔ)義分割研究主要關(guān)注高層次特征的提取，例如通過(guò)各類(lèi)注意力模型提取全局的上下文信息。然而，對(duì)低層次特征提取方式的研究工作相對(duì)較少。本期我們邀請(qǐng)到來(lái)自北京航空航天大學(xué)的祝瀾耘，分享他在CVPR2021的一項(xiàng)工作，在語(yǔ)義分割任務(wù)中提取并利用低層次的紋理特征。

講者介紹

祝瀾耘，北京航空航天大學(xué)碩士一年級(jí)學(xué)生，主要研究方向?yàn)閳D像分割，目前已在CVPR等計(jì)算機(jī)視覺(jué)會(huì)議期刊上發(fā)表多篇論文。

會(huì)議題目

為語(yǔ)義分割任務(wù)學(xué)習(xí)統(tǒng)計(jì)化的紋理特征

會(huì)議摘要

這篇論文主要關(guān)注如何在語(yǔ)義分割任務(wù)中提取并利用低層次的紋理特征。本文首先提出了一個(gè)量化與計(jì)數(shù)模塊（QCO），以統(tǒng)計(jì)的方式在深度神經(jīng)網(wǎng)絡(luò)中對(duì)紋理進(jìn)行表征。隨后，基于QCO，本文又進(jìn)一步提出紋理增強(qiáng)模塊和金字塔紋理特征提取模塊，分別對(duì)紋理細(xì)節(jié)進(jìn)行增強(qiáng)并從多尺度提取統(tǒng)計(jì)化的紋理特征。我們提出的模塊在僅需增添較少計(jì)算量的情況下，有效地在多個(gè)語(yǔ)義分割數(shù)據(jù)集上改善效果。

論文標(biāo)題：Learning Statistical Texture for Semantic Segmentation

會(huì)議亮點(diǎn)

1、本文關(guān)注了語(yǔ)義分割任務(wù)中的低層次特征提取；

2、本文提出了一種新方法在神經(jīng)網(wǎng)絡(luò)中對(duì)統(tǒng)計(jì)化的紋理特征進(jìn)行表征并利用；

3、本文提出的模塊具有普適性，能擴(kuò)展到多種模型結(jié)構(gòu)與任務(wù)中。

直播時(shí)間

2021年5月16日（周日）20:00—21:00?線上直播

關(guān)注微信公眾號(hào)：人工智能前沿講習(xí)，對(duì)話框回復(fù)“SFFAI106”，獲取入群二維碼

注：直播地址會(huì)分享在交流群內(nèi)

現(xiàn)代科學(xué)技術(shù)高度社會(huì)化，在科學(xué)理論與技術(shù)方法上更加趨向綜合與統(tǒng)一，為了滿足人工智能不同領(lǐng)域研究者相互交流、彼此啟發(fā)的需求，我們發(fā)起了SFFAI這個(gè)公益活動(dòng)。SFFAI每周舉行一期線下活動(dòng)，邀請(qǐng)一線科研人員分享、討論人工智能各個(gè)領(lǐng)域的前沿思想和最新成果，使專(zhuān)注于各個(gè)細(xì)分領(lǐng)域的研究者開(kāi)拓視野、觸類(lèi)旁通。

SFFAI目前主要關(guān)注機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等各個(gè)人工智能垂直領(lǐng)域及交叉領(lǐng)域的前沿進(jìn)展，將對(duì)線下討論的內(nèi)容進(jìn)行線上傳播，使后來(lái)者少踩坑，也為講者塑造個(gè)人影響力。SFFAI還在構(gòu)建人工智能領(lǐng)域的知識(shí)森林—AI Knowledge Forest，通過(guò)匯總各位參與者貢獻(xiàn)的領(lǐng)域知識(shí)，沉淀線下分享的前沿精華，使AI Knowledge Tree枝繁葉茂，為人工智能社區(qū)做出貢獻(xiàn)，歡迎大家關(guān)注SFFAI論壇：https://bbs.sffai.com。