计算机视觉三大顶级会议
- ICCV,全称为IEEE International Conference on Computer Vision,每二年召开一次,是计算机视觉领域最高级别会议,会议论文被EI收录,但其影响力不亚于SCI一区。会议网址格式为:http://iccv2019.thecvf.com/ http://iccv2017.thecvf.com/
- ECCV,全称为Europeon Conference on Computer Vision,每二年召开一次。2018年召开过一次:https://eccv2018.org/,https://www.eccv2016.org/
- CVPR,International Conference on Computer Vision Pattern Recognition,每年召开一次,http://cvpr2019.thecvf.com/
机器学习三大顶级会议
- ICML, International Conference on Machine Learning,https://icml.cc/
- NIPS,Conference and Workshop on Neural Information Processing Systems,https://nips.cc/
其它相关顶级会议
机器学习:ICML,NIPS,ECML,AISTATS,UAI
人工智能:AAAI,IJCAI
计算机视觉:CVPR,ICCV,ECCV
数据挖掘:KDD,ICDM
自然语言处理:ACL,ENMLP,NAACL
信息检索:SIGIR
计算机视觉发展的四个主要阶段
- 马尔计算视觉。
- 主动和目的视觉。对马尔计算机视觉的批判,“主动视觉”应该是一个非常好的概念,但困难在于“如何计算”。 主动视觉往往需要“视觉注视”(visual attention),需要研究脑皮层(cerebral cortex)高层区域到低层区域的反馈机制,这些问题,即使脑科学和神经科学已经较20年前取得了巨大进展的今天,仍缺乏“计算层次上的进展”可为计算机视觉研究人员提供实质性的参考和借鉴。近年来,各种脑成像手段的发展,特别是 “连接组学”(Connectomics)的进展,可望为计算机视觉人员研究大脑反馈机制提供“反馈途径和连接强度”提供一些借鉴。
- 多视几何和分层3D重建。Multiple View Geometry and Stratified 3D Reconstruction,多视几何的理论基础是射影几何,分层重建过程有三步,先从多幅图像的对应点重建射影空间下的对应空间点(即射影重建:projective reconstruction),然后把射影空间下重建的点提升到仿射空间下(即仿射重建:affine reconstruction),最后把仿射空间下重建的点再提升到欧几里德空间(或度量空间: metric reconstruction)。
- 基于学习的视觉
- 流形学习(Manifold Learning),就是从图像表达(像素信息)学习其内在流形表达的过程,流形学习始于2000年在Science 上发表的二篇文章( Tenenbaum et al., 2000) (Roweis & Lawrence 2000)。流形学习一个困难的问题是没有严格的理论来确定内在流形的维度。人们发现,很多情况下流形学习的结果还不如传统的PCA (Principal Component Analysis),LDA( linear DiscriminantAnalysis ), MDS( Multidimensional Scaling)等. 流形学习的代表方法有:LLE(Locally Linear Embedding )(Roweis & Lawrence 2000),Isomap ( Tenenbaum et al., 2000), Laplacian Eigenmaps (Belkin & Niyogi, 2001)等。
- 深度学习(Deep Learning)。
- 在空间视觉方面仍然无法与基于几何的方法相媲美
- 在静态图像物体识别方面已经成熟
- 基本上都是前馈网络,不同的网络主要体现在代价函数不同。可以探索下反馈网络
- 用RNN处理视频。带长距离反馈的深度网络可作为一个图像理解的研究方向
- 深度学习成果丰硕,但还缺乏相应的理论解释