中科院博士亲自分享的AI知识
高分辨率图像分割在医疗影像、自动驾驶、遥感图像上均有广泛的应用场景。以往的方法大都遵循 global-local refinement pipeline 的模式，即将大分辨率图像进行切块再训练。此类方法虽然可以在一定程度上降低内存要求，但不可避免的会消耗过多的计算资源，从而导致推理速度急剧下降！
语义分割部分论文展示
9月19日-9月20日，中科院博士，多个顶会审稿人Shawn老师为我们带来——表现SOTA!超高分辨率图像的语义分割，手把手带我们探索超高分辨率图像分割的高效之道！
讲师简介：Shawn老师
-中科院博士，曾任多个大厂研究员
-以第一作者在CCFA/B类期刊会议(IEEE CVPR, ICASSP,ECCV)和一区二区trans期刊发表论文8篇，总共发表论文20余篇（包括ICPR，IEEE Geoscience and Remote Sensing Letters(影响因子5.6)）
-担任CVPR、ECCV，AAAI，IJCAI，ACM MM，TCSVT，TGRS，ICASSP，ICPR等会议和期刊的审稿人
-研究领域为计算机视觉，语义分割，自动驾驶感知，遥感图像，机器学习，医学图像分析等
直播大纲
第一天：高分辨率图像的语义分割（上）
1.高分辨率图像的特殊性
2.高分辨率图像分割的发展历程
3.快速 高效 精确的ISDNet网络结构
4.ISDNet的网络介绍
第二天：高分辨率图像的语义分割（下）
1.高分辨率图像的语义分割代码复现
语义分割部分论文展示
图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统、无人机应用）以及穿戴式设备应用中举足轻重。
随着摄影和传感器技术的进步，超高分辨率图像为计算机科研界打开了新的视野，高分辨率图像分割也成为了一个具备现实意义的问题。ISDNet，它以一种崭新的方式整合了浅层和深层网络，在实现准确分割的同时显著加快了推理速度。
ISDNet 的整体框架图
今年CVPR2023，华科与微软团队联合新作——基于预训练的视觉语言模型进行开放式语义分割。该方法将语义分割任务建模为区域识别问题，并通过附加一个侧面的可学习网络来实现。该网络可以重用CLIP（Contrastive Language-Image Pre-Training）模型的特征，从而使其非常轻便。整个网络可以进行端到端的训练，使侧面网络适应冻结的CLIP模型，从而使预测的掩码提案具有CLIP感知能力。
作者在多个语义分割基准测试上评估了该方法，并表明其速度快、准确度高，只增加了少量可训练参数，在一系列数据集上相较于之前的SOTA模型取得了大幅的性能提升。
全民积极向（内）上（卷）的时代，江湖常有传言：SCI在手，升职加薪、前程无忧。
文末福利
最近小沃听说0.07g的某眉笔竟然要价79元！价格远超0.1g黄金，大家纷纷觉得离谱！这不，作为科研辅导界的宠粉头子，当然不能够让我的宝们吃亏~
福利来咯！超热门paper带读系列课程（课程每周持续更新），由qs前50大牛导师倾力打造，原价1499元/年，现在仅需7.9元/月，只要0.1个眉笔币！这还不心动吗！
你将获得
1.获得阅读Paper的正确方法
2.获得深度学习领域经典和前沿知识及发展脉络
3.洞悉优秀科研团队的研究方法、思路
4.细化吸收配套代码，快速借鉴用于自己的科研上
5.可以找到自己的论文创新点，提高自己的思维框架能力
适用人群
1.想学习人工智能但不知道如何入门的0基础小白
2.论文能力差，想提升自己的论文阅读能力的同学
3.有一定基础想提升人工智能相关领域水平的学习者
4.通过比赛实战提升代码能力等技能、增加简历含金量