CVPR 2016 まとめ v1
cvpaper.challengeにて現在までにサーベイしたCVPR2016論文のまとめです． cvpaper.challenge2016は産総研，東京電機大，筑波大学，東京大学，慶應義塾大学のメンバー約30名で構成されています． 2015年はCVPR2015の全602論文を読破し，PRMUにて論文調査からアイディア考案，論文化までをカバーする「DeepSurvey」を提案しました． 2016年は「1000本超の読破」と「コンピュータビジョンの上位会議への投稿」を目標に活動しております． Twitterで論文情報を随時アップしてます． Twitter： https://twitter.com/CVpaperChalleng 質問コメント等がありましたらメールまで． Mail ： cvpaper.challenge@gmail.com Read less
R-FCN: Object Detection via Region-based Fully Convolutional Networks
We present region-based, fully convolutional networks for accurate and efficient object detection. In contrast to previous region-based detectors such as Fast/Faster R-CNN that apply a costly per-region subnetwork hundreds of times, our region-based detector is fully convolutional with almost all computation shared on the entire image. To achieve this goal, we propose position-sensitive score maps
Deep Learning Trends @ ICLR 2016
Started by the youngest members of the Deep Learning Mafia [1], namely Yann LeCun and Yoshua Bengio, the ICLR conference is quickly becoming a strong contender for the single most important venue in the Deep Learning space. More intimate than NIPS and less benchmark-driven than CVPR, the world of ICLR is arXiv-based and moves fast. Today's post is all about ICLR 2016. I’ll highlight new strategies
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
第30回（前編） コンピュータビジョン勉強会＠関東 http://kantocv.connpass.com/event/16586/ CVPR2015読み会発表資料 "Joint Tracking and Segmentation of Multiple Targets"Read less
cvpaper.challenge@CVPR2015(Deep Neural Networks)
cvpaper.challengeにてサーベイしたCVPR2015論文のまとめ(Deep Neural Networks(DNN))です． Convolutional Neural Networks(CNN)やRecurrent Neural Netoworks (RNN)や，その応用に関してまとめております． 産総研片岡裕雄(@HirokatuKataoka)と電機大中村研(http://www.is.fr.dendai.ac.jp/ )による合同プロジェクト「cvpaper.challenge」です． Twitterで論文情報を随時アップしてます． Twitter： https://twitter.com/CVpaperChalleng 質問コメント等がありましたらメールまで． Mail ： cvpaper.challenge[at]gmail[dot]com Read less
Gunhee Kim @ SNU CSE
Associate Professor Vision and Learning Lab Department of Computer Science and Engineering Seoul National University (SNU) Rm 327 Bldg 302 1 Gwanak-ro, Gwanak-gu Seoul 08826 South Korea Phone: +82 2 880 7300 (7289) Fax: +82 2 871 4912 Email: gunhee at {snu.ac.kr or cs.cmu.edu} Administrative Assistant: Jaeyoung Park (jaeyoung at cse.snu.ac.kr) [Curriculum Vitae] What's new? In 2020, I have 2 ICLR
Deep Visual-Semantic Alignments for Generating Image Descriptions
Deep Visual-Semantic Alignments for Generating Image Descriptions We present a model that generates natural language descriptions of images and their regions. Our approach leverages datasets of images and their sentence descriptions to learn about the inter-modal correspondences between language and visual data. Our alignment model is based on a novel combination of Convolutional Neural Networks o
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
View PDF Abstract:We present a novel and practical deep fully convolutional neural network architecture for semantic pixel-wise segmentation termed SegNet. This core trainable segmentation engine consists of an encoder network, a corresponding decoder network followed by a pixel-wise classification layer. The architecture of the encoder network is topologically identical to the 13 convolutional la
Awesome-deep-vision
Awesome-deep-vision : A curated list of deep learning resources for computer vision View on GitHub Awesome-deep-vision A curated list of deep learning resources for computer vision Download this project as a .zip file Download this project as a tar.gz file Awesome Deep Vision A curated list of deep learning resources for computer vision, inspired by awesome-php and awesome-computer-vision. Mainta
�Unsupervised Object Discovery and Localization in the Wild:�Part-Based Matching With Bottom-Up Region Proposals （関東CV勉強会 CVPR 2015 読み会）
�Unsupervised Object Discovery and Localization in the Wild:�Part-Based Matching With Bottom-Up Region Proposals （関東CV勉強会 CVPR 2015 読み会）
TUMのRGB-D SLAMについてまとめる - Qiita
Computer Vision Group TUM（ミュンヘン工科大学）のコンピュータビジョングループは、SLAM（スラム）の研究がすごい。SLAM(Simultaneous Localization and Mapping)：自己位置推定と地図作成を同時に行うことであり、UAVsやAR, VRの分野で応用される。KinectFusionなんかもそう。このページでは、RGB-D SLAMについてメモしていく。 Real-time 3D visual SLAM with a hand-held camera, European Robotics Forum, 2011. これが最初のRGB-D SLAMである。 アルゴリズム アルゴリズムは、以下のようになっている。 1. RGB-D画像の読み込み 2. SURF特徴量抽出とマッチング 3. 自己位置推定（RANSAC） 4. 自己位置の補正
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://arxiv.org/pdf/1606.05328
画像キャプションの自動生成
| docomo Developer support | NTTドコモ
Engadget | Technology News & Reviews
GitHub - mattya/chainer-gogh
MSDN - 派生クラスから基本クラス イベントを発生させる
http://arxiv.org/pdf/1412.0069v1
(PDF) Real-time estimation of human attention field in LWIR and color surveillance videos
Integrated Pedestrian and Direction Classification Using a Random Decision Forest