• 相关博文
  • 最新资讯
加载中...
  • 检测、量化、追踪新冠病毒,基于深度学习的自动CT图像分析有多靠谱?

    本文进行了多次回顾性实验,以分析系统在检测可疑COVID-19胸部CT特征中的性能,并使用3D视图来检查评估每位患者随时间推移的疾病进展,并产生“冠状评分”。该研究包括了157名国际患者(中国和美国)的测试集。

    2020.03.19 0
  • 无需3D运动数据训练,最新人体姿势估计方法达到SOTA | CVPR 2020

    本文最关键的创新在于它是一种对抗性学习框架,该框架利用AMASS数据集来区分真实的人类动作与本文利用时序姿态和动作回归网络产生的动作。本文定义了一个时序网络体系结构,并展示了在没有真实3D标签的情况下,能够产生序列级别的合理的运动序列。本文进行了大量实验,分析了运动性的重要性,并演示了VIBE在非常有挑战性的3D姿态估计数据集上的有效性,达到了SOTA性能。

  • LatentFusion:华盛顿大学与英伟达联合提出6D姿态估计新方法

    在本文中,华盛顿大学和英伟达联合提出了一种新的用于未见过目标 6D姿态估计的框架。作者设计了一个端到端的神经网络,该网络使用少量目标的参考视角来重构目标的3D表示。使用学习到的3D表示,网络可以从任意视角对目标进行渲染。使用该神经网络渲染器,我们可以对输入图像的姿势直接进行优化。通过使用大量3D形状训练该网络进行重构和渲染,使该网络可以很好地推广到未见过的目标。作者还为未见的物体姿态估计提供了一个新的数据集-MOPED。并且最后在MOPED以及ModelNet数据集上评估了未见物体姿态估计方法的性能。

    2019.12.11 0
  • 医疗影像处理:去除医疗影像中背景的影响2D/3D【numpy-code】| CSDN博文精选

    在医疗影像中特别是CT影像,包含大量的背景,在进行器官分割时,首先去除背景对分割的效果有很好的提升。本博客使用Python处理医疗影像并去除背景的影像。

    2019.11.19 0
  • 值得收藏!基于激光雷达数据的深度学习目标检测方法大合集(上)

    将全卷积网络技术移植到三维距离扫描数据检测任务。具体地,根据Velodyne 64E激光雷达的距离数据,将场景设置为车辆检测任务。在2D点图呈现数据,并使用单个2D端到端全卷积网络同时预测目标置信度和边框。通过设计的边框编码,使用2D卷积网络也能够预测完整的3D边框。

  • 人造器官新突破!美国科学家3D打印出会“呼吸”的肺 | Science

    5 月 4 日,《科学》杂志封面报道,美国莱斯大学与华盛顿大学的研究团队带来一项具有里程碑意义的发明:一个由水凝胶 3D 打印而成的肺模型,它具有与人体血管、气管结构相同的网络结构,能够像肺部一样朝周围的血管输送氧气,完成“呼吸”过程。从外形来看,这个人造器官还没有一枚硬币大。

    2019.05.14 0
  • 大疆、港科大联手!双目3D目标检测实验效果大放送 | CVPR 2019

    2018 年在 3D 检测方面的文章层出不穷,也是各个公司无人驾驶或者机器人学部门关注的重点,包含了点云,点云图像融合,以及单目 3D 检测,但是在双目视觉方面的贡献还是比较少,自从 3DOP 之后。总体来说,图像的检测距离、图像的 density 以及 context 信息,在 3D检测中是不可或缺的一部分,因此作者在这篇文章中挖掘了双目视觉做 3D检测的的潜力。

    2019.03.25 0
  • AI做不了“真”3D图像?试试Google的新生成模型

    近日,在 NeurIPS 2018 会议上接收的论文“ 视觉对象网络:图像生成与分离式的3D表示”中,麻省理工学院计算机科学与人工智能实验室(MIT CSAIL)和 Google 的研究人员介绍了能创造出有逼真纹理和形状的一个生成式 AI 系统。