Papers

[Mask R-CNN 🔗](https://arxiv.org/abs/1703.06870)

超越边界框：深入解析 Mask R-CNN

计算机视觉在教机器“看”这个领域取得了惊人的进步。我们已经从简单地对整张图片进行分类 (“这是一只猫”) 发展到检测其中的单个物体 (“这里有一只猫，那里有一只狗”) 。但如果我们需要更多细节呢？如果我们不只是想在猫周围画一个框，而是想知道哪些像素精确地属于这只猫呢？ ...

[V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation 🔗](https://arxiv.org/abs/1606.04797)

超越切片：V-Net 如何彻底改变 3D 医学图像分割

想象一下，一位放射科医生正在一丝不苟地翻阅数百张 MRI 切片，试图描绘出肿瘤或器官的精确边界。这个过程被称为“分割” (segmentation) ，是医学诊断、治疗计划和科研的基础。同时，这项工作也极其耗时、枯燥，并且容易出现人为错误。多年来，计算机科学家们一直在寻求将这项任务自动化，但 3D 医学数据 (如 MRI 和 CT 扫描) 的复杂性始终是一个重大挑战。 ...

[U-Net: Convolutional Networks for Biomedical Image Segmentation 🔗](https://arxiv.org/abs/1505.04597)

U-Net: 用小数据实现精准分割的深度学习架构

我们如何能教会计算机像生物学家一样观察——不仅仅是识别出图像中含有细胞，而是要精确地勾勒出每一个细胞的边界？这项任务被称为图像分割 (image segmentation)，是生物医学研究和诊断的基石。它能自动化分析成千上万张显微镜图像，帮助追踪癌症进展，并绘制整个神经回路图。 ...

[Fully Convolutional Networks for Semantic Segmentation 🔗](https://arxiv.org/abs/1411.4038)

FCN: 让 CNN 实现像素级语义分割的开创性工作

多年来，卷积神经网络 (CNN) 一直是图像分类领域无可争议的王者。给 CNN 一张图片，它就能以惊人的准确度告诉你，这是一只猫、一只狗，还是一辆汽车。但如果你想知道猫在图片中的具体位置——不仅仅是一个边界框，而是它逐像素的精确轮廓呢？这就是**语义分割 **(semantic segmentation) 的任务，它使问题从分类的“是什么”，跃升到了更深层次的“是什么以及在哪里”。 ...

[Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 🔗](https://arxiv.org/abs/1506.01497)

Faster R-CNN: 让实时目标检测成为可能的突破性技术

目标检测是计算机视觉中的基础任务之一。它赋予了计算机一种能力，不仅能看到图像，更能理解图像中有什么——定位并识别场景中的每一辆车、每一个人、每一只鸟和每一个咖啡杯。多年来，R-CNN 系列模型一直处于该领域的前沿。从 R-CNN 起步，到速度更快的 Fast R-CNN，这些模型不断推动着准确率的极限。 ...

Fast R-CNN: 让目标检测又快又准的突破性进展

在计算机视觉领域，**目标检测 **(即在图像中识别并定位物体的任务) 是需要解读视觉数据的系统所面临的一项核心挑战。在 2015 年之前，主流的深度学习目标检测方法虽然准确，但出了名地缓慢和笨重。它们涉及复杂的多阶段训练流程，难以优化且运行速度极慢。这一切都随着 Ross Girshick 发表的 Fast R-CNN 论文而改变。 ...

[Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 🔗](https://arxiv.org/abs/1406.4729)

打破固定尺寸限制:SPP-net 如何让 CNN 快 100 倍

在 21 世纪 10 年代初，像 AlexNet 这样的深度卷积神经网络 (CNN) 在计算机视觉领域掀起了一场革命，打破了图像分类的各项纪录。然而，在这一突破背后，有一个出人意料且严格的限制束缚了这些强大的模型: 它们要求每一张输入图像都必须是完全相同的尺寸——通常是 224×224 像素。 ...

[Rich feature hierarchies for accurate object detection and semantic segmentation 🔗](https://arxiv.org/abs/1311.2524)

R-CNN: 深度学习如何彻底革新目标检测

多年来，计算机视觉领域一直由精心设计的手工特征主导。像 SIFT 和 HOG 这样的算法是无可争议的霸主，构成了几乎所有顶尖目标检测系统的支柱。但到了 2012 年，进展开始放缓。在基准测试 PASCAL VOC 挑战赛上的性能已经达到瓶颈，研究社区似乎在从现有方法中挤出最后一点性能。人们亟需一次真正的突破。 ...

[You Only Look Once: Unified, Real-Time Object Detection 🔗](https://arxiv.org/abs/1506.02640)

YOLO：让计算机视觉实现实时检测的革命性突破

当你瞥一眼照片时，大脑会在毫秒之间完成一项非凡的壮举。你看到的不仅仅是像素的集合——你会瞬间识别出物体、它们的位置以及它们之间的关系。你可能注意到一个人在遛狗、一辆车停在消防栓旁边，或者一只猫正躺在沙发上睡觉。几十年来，让计算机能够以同样的速度和准确度完成这项任务，一直是计算机视觉领域的巨大挑战。 ...

[YOLOv12: Attention-Centric Real-Time Object Detectors 🔗](https://arxiv.org/abs/2502.12524)

YOLOv12: 打破CNN垄断的注意力机制实时检测器

十多年来，实时目标检测领域一直由一个模型家族所主导:** YOLO** (You Only Look Once)。从自动驾驶汽车到零售数据分析，YOLO在速度与准确率之间实现了卓越平衡，使其成为高速、实际应用中检测物体的首选方案。YOLO生态系统的进步得益于不断的创新——但几乎所有的架构改进都集中在卷积神经网络 (CNN) 之上。 ...

SmartBin: 用深度学习让垃圾桶学会思考

废物管理是现代城市生活中最持久的挑战之一。随着城市发展，我们的垃圾山也在不断增高。处理这一问题的传统方式——人工收集和分拣——劳动密集、成本高昂、不卫生且效率低下。 ...

让机器学会垃圾分类：深度学习改变废物管理

每年，全球产生超过20亿吨的城市固体废物，预计到2050年，这一数字将飙升至34亿吨。其中大量废物最终进入垃圾填埋场，污染土壤、水体和空气。回收利用是一种强有力的解决方案，但其成功依赖于一个至关重要却常被忽视的步骤:** 正确的废物分类**。 ...

ECO-HYBRID: 教会人工智能更高效地分类垃圾

世界正面临一个巨大的垃圾问题。随着城市扩张和人口增长，我们产生的垃圾也在不断增加。据预测，到 2050 年，全球垃圾总量可能激增 70%，达到惊人的 34 亿吨。 ...

ImageNet: 让计算机学会看见世界的数据集

在 21 世纪第一个十年的末期，互联网上的图像数量呈爆炸式增长。Flickr 拥有数十亿张照片，谷歌索引的图像更是数不胜数，而社交媒体的视觉内容热潮也才刚刚开始。对于计算机视觉研究者来说，这场数字洪流既是诱人的机遇，也是巨大的挑战: 一方面，更多的数据意味着有潜力训练出更强大、更鲁棒的模型；另一方面，这些数据却是一团混乱、缺乏标注的“原料”。当你的训练数据只是一堆随意打上“dog”标签的杂乱图片时，你该如何教会计算机识别一只西伯利亚哈士奇呢？ ...

[Visualizing and Understanding Convolutional Networks 🔗](https://arxiv.org/abs/1311.2901)

打开黑盒：揭秘CNN如何学会"看见"

2012 年，一个名为 AlexNet 的深度卷积神经网络 (CNN) 在 ImageNet 大规模视觉识别挑战赛中，以几乎只有亚军一半的错误率夺冠，震惊了世界。这是一个分水岭时刻，开启了现代深度学习革命。然而，尽管结果毋庸置疑，这些网络依然是黑箱——我们知道它们有效，但并不了解其数百万个参数内部究竟发生了什么。 ...

随机丢弃神经元,反而让网络更聪明

如果你曾经训练过大型神经网络，你很可能遇到过它最大的敌人:** 过拟合**。你眼看着训练损失骤降，模型完美地记住了训练数据，但它在未见过的测试数据上的表现却停滞不前，甚至变得更差。模型学到的是噪声，而不是信号。这就像一个学生，他背下了模拟考试的所有答案，却在真正的考试中失败了，因为他从未真正理解底层的概念。 ...

LeNet 与现代计算机视觉的诞生：1998 年如何让 CNN 直接从像素中学习

1998 年，来自 AT&T 实验室和蒙特利尔大学的一个团队发表了一篇论文，成为机器学习和计算机视觉领域的里程碑之作: “Gradient-Based Learning Applied to Document Recognition” (LeCun, Bottou, Bengio, Haffner) 。这篇论文做了两件在今天甚至比当时更为重要的事情: ...

[YOLOv4: Optimal Speed and Accuracy of Object Detection 🔗](https://arxiv.org/abs/2004.10934)

YOLOv4: 打破速度与精度的平衡难题，单GPU即可训练的最强检测器

在计算机视觉领域，目标检测是一项基础性任务，其应用范围从自动驾驶到医学成像，囊括甚广。该领域长期存在的挑战是速度与精度之间的权衡。高精度模型通常在实时场景下运行过慢，而速度更快的模型有时又缺乏关键任务所需的准确性。 ...

[YOLOv3: An Incremental Improvement 🔗](https://arxiv.org/abs/1804.02767)

YOLOv3：渐进式改进如何打造实时检测利器

在计算机视觉领域，You Only Look Once (YOLO) 模型家族堪称传奇。YOLO 以其惊人的速度闻名，通过将实时目标检测问题表述为一个单一的回归问题，重新定义了该领域。但这个伟大的想法并未就此止步。在 YOLO 和 YOLOv2 取得成功之后，其创造者又带来了新一代的版本: YOLOv3**。 ...

[YOLO9000: Better, Faster, Stronger 🔗](https://arxiv.org/abs/1612.08242)

YOLO9000: 一个能识别9000种物体的实时检测器

目标检测长期以来一直是计算机视觉中的一项基石任务。我们需要的模型不仅能告诉我们图像中有什么，还要告诉我们它在哪里。多年来，技术的进步意味着一种权衡: 你可以选择一个高精度的模型，或者一个速度足够快能用于实时应用的模型——但很少能两者兼得。而且，即使是最好的检测器也受限于一个很小的词汇量，它们所训练的数据集只有几十个，最多几百个物体类别。 ...