状态

未开始

分图31.png

Ocean Engineering | 水下工程的多模态3D感知:声学、光学和集成解决方案

水下环境中的准确 3D 感知已成为各种海洋工程任务的关键要求,例如海底基础设施检查、水下航行器的自主导航、栖息地测绘和环境监测。然而,浊度、光散射、能见度有限和动态水流等水下条件使得传统成像技术无效。为了克服这些挑战,研究人员开发了广泛的声学(例如多波束声纳、侧扫声纳)和光学(例如立体视觉、激光扫描、光度立体、基于 SLAM)的水下 3D 重建方法。本特刊旨在探讨水声和光学三维重建技术的最新进展及其在以工程为重点的海洋应用中的实际应用。我们欢迎高质量的原创研究,通过硬件创新、先进算法、多模态传感器融合和在真实海洋条件下的实验验证来应对水下 3D 重建的挑战。

Ocean Engineering | 水下工程的多模态3D感知:声学、光学和集成解决方案

水下环境中的准确 3D 感知已成为各种海洋工程任务的关键要求,例如海底基础设施检查、水下航行器的自主导航、栖息地测绘和环境监测。然而,浊度、光散射、能见度有限和动态水流等水下条件使得传统成像技术无效。为了克服这些挑战,研究人员开发了广泛的声学(例如多波束声纳、侧扫声纳)和光学(例如立体视觉、激光扫描、光度立体、基于 SLAM)的水下 3D 重建方法。本特刊旨在探讨水声和光学三维重建技术的最新进展及其在以工程为重点的海洋应用中的实际应用。我们欢迎高质量的原创研究,通过硬件创新、先进算法、多模态传感器融合和在真实海洋条件下的实验验证来应对水下 3D 重建的挑战。

了解更多

未开始

分图1.jpg

IEEE JSTARS | 人工智能驱动的高光谱遥感:从算法到应用

随着高光谱传感器在航空、太空和地面平台上的普及,光谱数据的量和复杂性已经超出了传统分析方法的极限,这进一步加大了对高效和可扩展分析技术的需求。同时,人工智能的进步为释放高光谱数据的潜在潜力提供了前所未有的机会,开辟了从算法到应用的新领域,并改变了我们分析和解释复杂光谱信息的方式。然而,尽管有这些进展,在将人工智能应用于高光谱遥感方面仍然存在关键的差距,包括标签稀缺、模型泛化、计算成本等。因此,如何有效解决这些挑战,以充分释放人工智能在高光谱遥感中的潜力,已成为一个亟待解决的紧迫挑战。本特刊旨在通过展示人工智能与高光谱遥感交叉领域的前沿研究来应对这些挑战。通过将基础算法进展与实际实施案例研究结合在一起,帮助定义智能高光谱分析的未来发展轨迹。

IEEE JSTARS | 人工智能驱动的高光谱遥感:从算法到应用

随着高光谱传感器在航空、太空和地面平台上的普及,光谱数据的量和复杂性已经超出了传统分析方法的极限,这进一步加大了对高效和可扩展分析技术的需求。同时,人工智能的进步为释放高光谱数据的潜在潜力提供了前所未有的机会,开辟了从算法到应用的新领域,并改变了我们分析和解释复杂光谱信息的方式。然而,尽管有这些进展,在将人工智能应用于高光谱遥感方面仍然存在关键的差距,包括标签稀缺、模型泛化、计算成本等。因此,如何有效解决这些挑战,以充分释放人工智能在高光谱遥感中的潜力,已成为一个亟待解决的紧迫挑战。本特刊旨在通过展示人工智能与高光谱遥感交叉领域的前沿研究来应对这些挑战。通过将基础算法进展与实际实施案例研究结合在一起,帮助定义智能高光谱分析的未来发展轨迹。

了解更多

进行中

分图3.png

GSIS | 复杂真实场景中的遥感图像感知与理解

地理空间图像分析已成为跨不同领域的关键任务应用的基石,从城市建模(例如,能见度下降的多传感器无人机导航)到动态环境监测(例如,近乎实时的灾难响应),以及基础模型驱动的场景解释的不断兴起的范式。这些应用从根本上依赖于从图像中提取准确的几何、空间、时间和光谱信息。不幸的是,它们的实际部署面临三个限制:不良成像条件(大气干扰(云/雾霾)和不利照明(阴影/弱光)),单传感器限制和泛化差距。为了突破这些困境,我们现在发出论文征集,以进一步推进这一关键领域的研究和解决方案。我们邀请研究人员、学者和从业者发表原创研究论文,探讨与地理空间图像感知和理解相关的最新发展、创新方法和实际应用,特别是在具有挑战性的现实条件下。

GSIS | 复杂真实场景中的遥感图像感知与理解

地理空间图像分析已成为跨不同领域的关键任务应用的基石,从城市建模(例如,能见度下降的多传感器无人机导航)到动态环境监测(例如,近乎实时的灾难响应),以及基础模型驱动的场景解释的不断兴起的范式。这些应用从根本上依赖于从图像中提取准确的几何、空间、时间和光谱信息。不幸的是,它们的实际部署面临三个限制:不良成像条件(大气干扰(云/雾霾)和不利照明(阴影/弱光)),单传感器限制和泛化差距。为了突破这些困境,我们现在发出论文征集,以进一步推进这一关键领域的研究和解决方案。我们邀请研究人员、学者和从业者发表原创研究论文,探讨与地理空间图像感知和理解相关的最新发展、创新方法和实际应用,特别是在具有挑战性的现实条件下。

了解更多

进行中

分图2.png

Tsinghua Science and Technology | 多源视觉融合与智能:从感知到认知理解

传统的单源视觉模型在复杂的现实环境中往往因噪声、遮挡或模式限制而表现不佳。多源视觉融合旨在通过结合来自不同数据模式的互补信息来克服这些限制,从而实现更强的感知和高水平的场景理解。除了简单的融合,下一个前沿在于实现认知层面的智能——机器不仅能以类似人类的方式看到、理解、推理和解释多模态视觉数据。本期专刊旨在汇集多源视觉融合、深度学习架构、跨模态表示学习和神经符号推理的最新进展。我们特别关注能够弥合低级感知和高级认知理解之间差距的创新解决方案,使机器能够在复杂场景中做出值得信赖和可解释的决策。

Tsinghua Science and Technology | 多源视觉融合与智能:从感知到认知理解

传统的单源视觉模型在复杂的现实环境中往往因噪声、遮挡或模式限制而表现不佳。多源视觉融合旨在通过结合来自不同数据模式的互补信息来克服这些限制,从而实现更强的感知和高水平的场景理解。除了简单的融合,下一个前沿在于实现认知层面的智能——机器不仅能以类似人类的方式看到、理解、推理和解释多模态视觉数据。本期专刊旨在汇集多源视觉融合、深度学习架构、跨模态表示学习和神经符号推理的最新进展。我们特别关注能够弥合低级感知和高级认知理解之间差距的创新解决方案,使机器能够在复杂场景中做出值得信赖和可解释的决策。

了解更多

进行中

分图28.png

Computers, Materials & Continua | 图像处理的最新进展

在过去十年左右的时间里,以深度学习为代表的人工智能技术取得了显著的进步,尤其是在信号处理和计算机视觉领域。在这些领域,基于深度学习的方法正在以前所未有的速度迭代和商业化,极大地改变了人类的生活、学习和工作方式。近年来,图像和视频合成与生成、3D 视觉、视觉语言模型和多模态学习逐渐成为该领域的研究热点。本期特刊旨在突出图像和视频处理领域的最新突破和应用,并具有双重关注点。首先,它探讨了用于数据采集和可视化的尖端设备的新用途。其次,它深入研究了处理大规模数据集的新方法,利用现代模式识别和机器学习技术来推进图像分析的最新技术。

Computers, Materials & Continua | 图像处理的最新进展

在过去十年左右的时间里,以深度学习为代表的人工智能技术取得了显著的进步,尤其是在信号处理和计算机视觉领域。在这些领域,基于深度学习的方法正在以前所未有的速度迭代和商业化,极大地改变了人类的生活、学习和工作方式。近年来,图像和视频合成与生成、3D 视觉、视觉语言模型和多模态学习逐渐成为该领域的研究热点。本期特刊旨在突出图像和视频处理领域的最新突破和应用,并具有双重关注点。首先,它探讨了用于数据采集和可视化的尖端设备的新用途。其次,它深入研究了处理大规模数据集的新方法,利用现代模式识别和机器学习技术来推进图像分析的最新技术。

了解更多
1 2 3 4 跳转到