-
中国科学院工业视觉智能装备技术工程实验室第二届学生交流会顺利举办
2024年3月28日，中国科学院工业视觉智能装备技术工程实验室（以下简称为实验室）2023年度学生交流会于学术报告厅圆满举办。本次活动共有师生40余人参加。实验室主任张正涛研究员，副主任申抒含、李恩、顾庆毅研究员，胡建华、刘承宝副研究员作为评审出席了本次活动。本次学生交流会延续了上一届的特色，旨在促进科研成果的分享与交流，激发学生的学术热情，提升科研能力。
넶4 2024-04-17 -
中国科学院工业视觉智能装备技术工程实验室 2024年妇女节奶油胶发卡DIY活动圆满举办
在春意盎然的三月，为庆祝第114个三八妇女节，中国科学院工业视觉智能装备实验室精心策划了奶油胶发卡DIY活动，旨在让实验室的女生们在节日里感受温馨与欢乐，放松心情，同时发挥创意，亲手制作属于自己的美丽发卡。
넶40 2024-03-19 -
工业视觉智能装备技术工程实验室党支部召开 2024年度第一次支部党员大会
2024年2月28日，中国科学院工业视觉智能装备技术工程实验室党支部在学术报告厅召开了第一季度全体党员大会。本次大会共三项议程，对预备党员转正进行讨论，对2023年支部工作进行汇报，公布2023年民主评议情况。
넶25 2024-03-13 -
2024年中国科学院工业视觉智能装备技术工程实验室新春喜乐会圆满举办
玉兔辞旧岁，龙韵腾四海。1月30日下午，中国科学院工业视觉智能装备技术工程实验室（以下简称实验室）新春喜乐会在学术报告厅举行。实验室职工及学生共计七十余人欢聚一堂，共迎欢乐时光。这是历经三年疫情之后的首次线下新春年会，同时也是实验室自成立以来举办的首届联欢会。
넶98 2024-02-01
-
-
智能工业视觉前沿讲堂：走向计算机视觉的通用人工智能
报告题目：走向计算机视觉的通用人工智能-GPT和大语言模型带来的启发，报告人：谢凌曦，华为，报告摘要：通用人工智能（AGI）是AI领域的最高目标。近来，大语言模型驱动的对话系统，在NLP领域展现出了强大的能力，甚至被认为是AGI的雏形。然而，CV领域自然没有找到发展AGI的有效路径。我们希望分析其中的本质原因，并且借鉴NLP的经验以走出困境。在这次报告中，我们将从AGI的定义和NLP所达到的成就说起，揭示AGI的关键在于设计大一统模型。随后，我们简要回顾CV领域在大一统方面的努力，并指出CV的本质困难在于无法建立起有效的交互环境，长期以来只能依靠代理任务来推进研究，而这种范式已经走到尽头。在此基础上，我们设想未来CV的新范式，即从建立大规模交互环境，通过生成式预训练和指令微调的方式来学习，并展望几个重要的研究方向。
넶92 2023-09-22 -
智能工业视觉前沿讲堂：视觉基础模型及应用
报告题目：视觉基础模型及应用，报告人：鲁继文，清华大学，报告摘要：基础模型是人工智能领域的研究热点，在计算机视觉和自然语言处理等领域中均取得了优异的性能，是视觉监控、自动驾驶、智能终端等重要应用的支撑性技术。报告将从模型架构和学习范式两个方面回顾视觉基础模型近年来的研究进展，同时介绍清华大学智能视觉实验室在视觉基础模型方面所开展的一些工作，主要包括高阶交互模型、动态稀疏模型、全局滤波模型、球面分形模型等，以及它们在目标检测与分割、物体分类与识别、图像与视频检索、三维重建与理解等视觉任务中的应用。
넶162 2023-04-27
-
-
-
基于几何和学习的全局式从运动恢复结构
作为大规模场景三维重建问题的基础能力，从运动恢复结构（Structure-from-Motion, SfM）旨在通过海量二维图像精准鲁棒的求解相机空间位姿和相机内参数，也就是带有位姿的归一化图像（Posed images）。Posed images不仅是后续三维几何重建的基本输入，也是包括NeRF、3DGS在内的各种渲染算法的基本输入。SfM问题同样也是传统多视图几何理论的集大成者，蕴含了最小配置解、最大似然估计、几何意义解等关键思想。虽然已历经几十年的研究，但是面对大规模复杂场景下的海量图像数据，SfM问题在鲁棒性、计算效率、精确性等方面仍然面临多重问题。实验室三维视觉研究部针对这一问题长期开展理论方法研究，近期两项研究成果被计算机视觉领域权威国际会议CVPR 2024接收。
넶0 2024-04-17 -
工业表面缺陷异常检测方法
在实际工业场景中，缺陷样本的稀缺性、标注成本的高昂以及缺陷先验知识的缺乏可能会导致基于有监督的深度学习方法失效。工业异常检测方法相比于依赖大量有标注的样本模型，它只利用无缺陷样本来解决表面缺陷检测问题。团队提出了基于双孪生网络的表面缺陷无监督异常检测方法。与现有从图像级（图像重构）或仅从正常样本的特征（判别性嵌入）学习表示的方法不同，该算法充分考虑了正常和异常信息，挖掘正常和异常区域在特征层面上的位置关系，创新性地将异常检测问题描述为双孪生网络框架下特征重构和修复的联合问题。
넶341 2023-02-13 -
面向隐私保护的无数据量化方法
模型量化是压缩和加速深度神经网络的关键技术，对推动深度学习算法落地起到至关重要的作用。然而，几乎所有现有的量化方法都严重依赖原始训练数据集进行微调，而由于隐私和安全问题，这些数据集在许多实际场景中无法获取。为了解决这个问题，基于模型中的先验信息生成样本的无数据量化方法成为新兴的研究领域。然而，现有的方法未能充分地利用先验信息，因此不能完全恢复真实数据的特征，也不能对量化后的模型提供有效的监督，导致性能不佳。为此，高速视觉研究部团队提出一种新型的具有对抗性学习风格的无数据量化框架，如图1所示，其中两个鉴别器分别促进BN层分布的匹配和最大化全精度模型和量化模型之间的差异，能够有效地生成样本并学习量化模型。
넶103 2023-02-07
-
