计算机视觉和人工智能在实际应用:健壮性、泛化和工程

最近的深度学习的进步和计算机视觉已由众多新基准数据集的创建和使用和挑战在各领域的应用。然而,在现实环境中进行部署时,这些应用程序并不总是具备良好的性能。这是归因于几个因素。基准数据集不能充分代表所有的一个特定应用程序的特点和局限性,因此算法和模型调整这些数据集不工作在out-of-distribution (OOD)测试,即测试数据的特点和环境的变化。此外,实际工程问题时出现的部署lab-trained模型在现实场景中,如可伸缩性和计算内存和资源有限的边缘设备,混合模型压缩或浮点计算,嵌入式设备和优化等。

这个研究课题的主要目的是提出新的贡献在现实世界的人工智能和计算机视觉应用的最新进展。这包括先进的人工智能模型的理论概括,部署模型,对比lab-benchmarks和实际性能。鼓励作者突出新方法的优点和缺点或建立技术在一个特定的场景中,关注理论泛化的进步,软件和硬件配置管理性能和可行性之间的权衡。贡献可能包含研究情况下,技术的比较,验证协议和实际应用的计算机视觉和人工智能。

研究文章欢迎强调新方法在一个端到端的方式,也是评论文章测量AI泛化和部署先进的方法在实际场景。感兴趣的主题包括,但不限于:

——理论进展:分布变化,域泛化,泛化,out-of-distribution检测、快捷学习迁移的学习

——计算机视觉和人工智能任务:异常检测、嵌入式和边缘计算,图像和视频的一代,对象检测、分类和跟踪、语义分割、遥感、场景理解、视觉特点

-应用场景:自主车辆、生物医学图像分析,艺术和文化遗产,医疗和医药、营销和零售,(社会)机器人,智能监控

关键字:推广,优化、多域、计算机视觉、人工智能

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。