新闻中心

排序方式

ICCV 2019 | 递归级联网络:基于无监督学习的医学图像配准

目前,深度学习正广泛应用于医学图像配准领域。无监督机器学习方法能够广泛利用临床中产生的大量原始、无标注医学图像,然而现有算法对于变形大、变化复杂的图像配准的学习效果较差。微软亚洲研究院在 ICCV 2019 发表的论文中,提出一种深度递归级联的神经网络结构,可以显著提高无监督配准算法的准确率。

发布时间:2019-11-05 类型:深度文章

AI换脸鉴别率超99.6%,微软用技术应对虚假信息

近日社交网络上爆红的一款换脸应用,让许多普通用户体验到了跟爱豆同框、与偶像飙戏的快乐,也因数据使用带来的问题陷入了舆论的漩涡——除了用户隐私保障,如何辨别和处理换脸应用所制造的合成照片、合成视频是新型科技产品带来的新挑战。

发布时间:2019-11-01 类型:深度文章

ICCV 2019丨基于跨视角信息融合的三维人体姿态估计

现有的多视角三维人体姿态估计通常先估计二维人体姿态,再将二维提升为三维,因此一旦二维姿态估计不准确,将让三维姿态估计结果产生很大误差。为了进一步减小误差,微软亚洲研究院在 ICCV 2019 发表的一篇论文中,提出了基于跨视角信息融合的 3D人体姿态估计方法(Cross View Fusion for 3D Human Pose Estimation)。

发布时间:2019-10-30 类型:深度文章

ICCV 2019丨微软亚洲研究院精选论文解读

ICCV 2019 正于10月27-11月2日在韩国首尔举行。微软亚洲研究院有15篇论文入选本届 ICCV,内容涵盖空间注意力机制、图像深度估计、医学图像配准等多个前沿主题。本文将为大家介绍其中的5篇论文。

发布时间:2019-10-29 类型:深度文章

ICCV 2019丨 RepPoints: 替代边界框,基于点集的物体表示新方法

现有的物体理解方法几乎都是基于边界框的表示方法,难以描述物体更加细粒度的几何信息。在即将召开的 ICCV 2019上,微软亚洲研究院的团队发表论文 “RepPoints: Point Set Representation for Object Detection”,介绍了一种基于点集来替代边界框的物体表示新方法,能够学习到更丰富、更自然的物体表示。

发布时间:2019-10-24 类型:深度文章

基于关系网络的视觉建模:有望替代卷积神经网络

最近两年,自注意力机制、图和关系网络等模型在NLP领域刮起了一阵旋风,基于这些模型的Transformer、BERT、MASS等框架已逐渐成为NLP的主流方法。这些模型在计算机视觉领域是否能同样有用呢?近日,微软亚洲研究院视觉计算组主管研究员胡瀚受邀参加VALSE Webinar,分享了他们最近的一些相关工作。他们的研究以及同期的一些其它工作表明这些模型也能广泛地用于视觉基本元素之间关系的建模,包括物体与物体间、物体与像素间、以及像素与像素间的关系,特别是在建模像素与像素间关系上,既能与卷积操作形成互补,甚至有望能取代卷积操作,实现最基本的图像特征提取。

发布时间:2019-07-12 类型:深度文章

对话港科大教授权龙:为什么三维重建才是计算机视觉的灵魂?

在“全民计算机视觉”的今天,其发展历程却鲜少有人追溯。梳理研究的过去将能让我们更好地探索未来。权龙教授为我们介绍了三维重建的历史发展与应用前景,也为大家在研究学习、职业选择等方面给出了一些实用建议。

发布时间:2019-06-25 类型:深度文章

CVPR 2019 | 微软亚洲研究院7篇精选论文解读

计算机视觉顶会CVPR 2019于6月15-21日在加州长滩举行。微软亚洲研究院共有21篇论文入选本届CVPR,覆盖了姿态估计、对象检测、目标跟踪、图像编辑、3D形状生成、高效CNN等多个计算机视觉领域的热门话题,本篇文章选择了其中7篇进行介绍。

发布时间:2019-06-18 类型:深度文章

微软发布Windows Vision Skills预览版,轻松调用计算机视觉API

微软近期发布了Windows Vision Skills预览版,目前包含物体检测、人体骨架检测、情感识别等API。有了Windows Vision Skills,无需了解复杂的计算机视觉知识,你就可以轻松调用API解决一些计算机视觉问题。

发布时间:2019-06-13 类型:深度文章

CVPR 2019 | 告别低分辨率网络,微软提出高分辨率深度神经网络HRNet

对于视觉识别中的区域层次和像素层次问题,分类网络(如ResNet、VGGNet等)学到的表征分辨率比较低,在此基础上恢复的高分辨率表征空间区分度仍然不够强,使其在对空间精度敏感的任务上很难取得准确的预测结果。为此,微软亚洲研究院视觉计算组提出高分辨率深度神经网络(HRNet),对网络结构做了基础性的改变,由传统的串行连接高低分辨率卷积,改成并行连接高低分辨率卷积,通过全程保持高分辨率和对高低分辨率表征的多次信息交换来学到丰富的高分辨率表征,在多个数据集的人体姿态估计任务中取得了最佳的性能。

发布时间:2019-05-21 类型:深度文章