FilletRec: A Lightweight Graph Neural Network with Intrinsic Features for Automated Fillet Recognition
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室）；School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空航天学院）
本文针对CAD模型圆角特征识别难题，提出轻量级图神经网络FilletRec，利用姿态不变的内在几何特征实现高精度识别，并构建大规模基准数据集，在准确率、泛化能力和模型效率上均超越现有方法。
2025-11-04 cs.CV
Automated Sperm Assessment Framework and Neural Network Specialized for Sperm Video Recognition
Yokohama National University（横滨国立大学）；Yokohama City University Medical Center（横滨市立大学医学中心）
针对现有精子评估忽视运动与多形态且标签单一的问题，构建含头颈尾的视频数据集并用软标签，提出RoSTFine网络提升评估性能并聚焦关键部位。
2023-11-13 cs.CV
MovieCLIP: Visual Scene Recognition in Movies
University of Southern California（南加州大学）；Google（谷歌）
电影等长篇媒体具有复杂的叙事结构，事件跨越丰富多样的环境视觉场景。与电影中的视觉场景相关的特定领域挑战包括过渡，人物覆盖以及各种现实生活和虚构场景。现有的电影中的视觉场景数据集具有有限的分类，并且不考虑电影剪辑中的视觉场景过渡。在这项工作中，我们首先自动策划一个新的和广泛的以电影为中心的分类179个场景标签来自电影脚本和辅助的基于Web的视频数据集的视觉场景识别在电影中的问题。而不是手动注释，这可能是昂贵的，我们使用CLIP弱标记112万镜头从32K电影剪辑的基础上，我们提出的分类。我们提供了在名为MovieCLIP的弱标记数据集上训练的基线视觉模型，并在由人类评分员验证的独立数据集上对其进行评估。我们表明，利用MovieCLIP上预训练的模型的特征有利于下游任务，例如网络视频和电影预告片的多标签场景和流派分类。
2022-10-23 cs.CL cs.CV cs.MM
The Super Emotion Dataset
IESE（IESE商学院）
针对NLP情绪分类领域缺乏标准化大规模心理学依据数据集的问题，研究推出Super Emotion Dataset，基于Shaver实证情绪分类法整合多源文本构建统一框架，支撑跨领域一致的情绪识别研究。
2026-10-20 cs.CL cs.LG
Face Recognition: A Novel Multi-Level Taxonomy based Survey
Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico – Universidade de Lisboa（里斯本大学高等理工学院）
在安全问题变得越来越重要的世界中，人脸识别系统在多个应用领域引起了越来越多的关注，从取证和监视到商业和娱乐。为了帮助理解与人脸识别系统相关的景观和抽象级别，人脸识别分类允许对现有解决方案进行更深入的剖析和比较。本文提出了一个新的，更全面和更丰富的多层次的人脸识别分类，促进组织和分类的可用和新兴的人脸识别解决方案，这种分类也可以指导研究人员在开发更有效的人脸识别解决方案。所提出的多层次分类法考虑了与人脸结构、特征支持和特征提取方法相关的层次。根据建议的分类，代表性的人脸识别解决方案的全面调查。本文最后讨论了当前的算法和应用相关的挑战，可能会定义未来的研究方向，人脸识别。
2019-01-03 cs.CV
Hierarchical Material Recognition from Local Appearance
Columbia University（哥伦比亚大学）
本文构建按物理特征组织的材料分类体系与含图像、深度图的真实数据集，并提出基于图注意力网络的层次化材料识别方法，实现最先进性能、恶劣条件泛化及少样本新材料学习。
2025-10-19 cs.CV
Deep Semantic Segmentation for Automated Driving: Taxonomy, Roadmap and Challenges
University of Alberta（阿尔伯塔大学）；Valeo Vision Systems（法雷奥视觉系统公司）
几年前，语义分割被认为是一个具有挑战性的计算机视觉问题。由于深度学习的最新进展，现在可以在自动驾驶中使用相对准确的解决方案。本文从自动驾驶的角度对语义分割问题进行了探讨。目前大多数语义分割算法都是针对通用图像设计的，没有结合自动驾驶的先验结构和最终目标。首先，本文从语义分割算法的一般分类调查开始，然后讨论它如何适应自动驾驶的背景。其次，将其部署到一个需要高水平的准确性和鲁棒性的安全系统的特殊挑战。第三，不同的替代品，而不是使用一个独立的语义分割模块进行了探索。最后，在CamVid数据集上对各种语义分割架构的准确性和速度进行了实证评估。本文件是一个初步的更详细的调查，这是一个正在进行的工作较短的版本。
2017-08-03 cs.CV stat.ML
Taxonomy and evolution predicting using deep learning in images
Beijing Forestry University（北京林业大学）；Guizhou Institute of Biology（贵州生物研究所）；Guangdong Academy of Sciences（广东省科学院）
分子性状和形态性状是生物分类学的重要组成部分，二者相互矛盾，需要统一起来。生物图像识别和生物信息学是当前新兴的热点问题，但两者之间存在着差距。在这项工作中，由遗传信息介导的多分支识别框架弥合了这一障碍，建立了蘑菇宏观形态和微观分子信息之间的联系。提出了一种新的多视角结构，将三个分支模型的特征图像进行融合，识别准确率提高了10%左右，最高可达90%以上。此外，遗传信息实施蘑菇图像识别任务，通过使用遗传距离嵌入作为表示空间，用于预测图像距离和物种识别。首次深入讨论了传统分类任务的语义过拟合和细粒度图像识别的粒度问题。在细粒度的场景下，使用零样本学习任务，它可以预测未知样本的分类和进化信息的模型的泛化能力进行了研究。我们提出了第一种将图像映射到DNA的方法，即使用编码器将图像映射到遗传距离，然后通过预训练的解码器解码DNA，其中对37个物种的DNA预测的总测试准确率为87.45%。本研究通过对蘑菇图像识别问题的系统研究，建立了一个新颖的识别框架，弥补了宏观生物信息和微观分子信息之间的空白，为未来智能生物识别提供了新的参考。
2022-06-28 cs.CV
Taxonomy-Aware Representation Alignment for Hierarchical Visual Recognition with Large Multimodal Models
Wangxuan Institute of Computer Technology, Peking University（北京大学计算机系王轩研究所）
本文提出TARA方法，通过生物基础模型的层次对比学习将分类知识注入大模态模型，提升层次视觉识别中对已知和新类别的识别性能。
2026-03-21 cs.AI cs.CV
Free-Grained Hierarchical Visual Recognition
University of Michigan（密歇根大学）；UC Berkeley（伯克利大学）
本文研究了在现实世界中标签不完整且粒度混合的情况下，如何进行层次视觉识别。通过引入自由粒度训练方法，结合文本监督和半监督学习，改进了传统层次方法在不完整监督下的性能，并提出了自由粒度推理机制以适应不同预测深度的需求。
2026-05-20 cs.CV
MATANet: A Multi-context Attention and Taxonomy-Aware Network for Fine-Grained Underwater Recognition of Marine Species
Department of Industrial Engineering, Yonsei University（延世大学工业工程系）
提出MATANet框架，通过多上下文环境注意力模块和层级感知表示学习模块，结合生物外观、环境上下文和分类结构，实现海洋生物细粒度识别，在FathomNet2025和LifeCLEF2015-Fish上取得最优性能。
2026-07-22 cs.CV
AutoVideo: An Automated Video Action Recognition System
Rice University（莱斯大学）；Texas A&M University（得克萨斯农工大学）；ShanghaiTech University（上海科技大学）
动作识别是视频理解的一项重要任务，具有广泛的应用前景。然而，开发有效的动作识别解决方案通常需要大量的工程工作，以构建和测试模块及其超参数的不同组合。在这个演示中，我们展示了AutoVideo，一个用于自动视频动作识别的Python系统。AutoVideo的特点是：1）遵循标准管道语言的高度模块化和可扩展的基础设施，2）用于管道构建的原语的详尽列表，3）数据驱动的调谐器，以节省管道调谐的工作，以及4）易于使用的图形用户界面（GUI）。AutoVideo在MIT许可下发布，网址为https://github.com/datamllab/autovideo
2022-07-17 cs.CV cs.LG eess.IV
Interpretable Image Recognition with Hierarchical Prototypes
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Duke University（杜克大学）
视觉模型是可解释的，当它们根据人可以直接理解的特征对对象进行分类时。最近，依赖于视觉特征原型的方法已被开发用于此目的。然而，与人类如何对对象进行分类相比，这些方法尚未使用任何分类标签的分类组织。例如，通过这种方法，我们可以看到为什么黑猩猩被归类为黑猩猩，但不知道为什么它被认为是灵长类动物，甚至是动物。在这项工作中，我们引入了一个模型，使用分层组织的原型，在预定义的分类法的每一个级别的对象进行分类。因此，我们可能会发现不同的解释预测图像接收在每个层次的分类。分层原型使模型能够执行另一项重要任务：在分类法的级别上对以前看不见的类别中的图像进行可解释的分类，例如，当训练数据中唯一的武器是步枪时，将手枪分类为武器。使用ImageNet的一个子集，我们在两个任务上测试了我们的模型与其对应的黑盒模型：1）从熟悉的类中分类数据，以及2）在分类法的适当级别上对以前未见过的类中的数据进行分类。我们发现，我们的模型执行近似以及其对应的黑盒模型，同时允许每个分类进行解释。
2019-08-25 cs.CV cs.LG eess.IV
An Image Processing Pipeline for Automated Packaging Structure Recognition
FZI Research Center for Information Technology（FZI信息技术研究中心）
配送和接收物流货物以及运输本身都涉及大量的人工工作。运输的货物，包括其包装和标签，需要在许多供应链网络点进行双重检查，验证或识别。这些过程具有自动化的潜力，我们的目标是利用计算机视觉技术。更确切地说，我们提出了一个认知系统，用于基于单个RGB图像的标准化物流货物的包装结构的全自动识别。我们的贡献包含一个合适的系统设计和相关的现实世界的数据评估的描述。此外，我们讨论我们的算法选择。
2020-09-29 cs.AI cs.CV cs.LG
Automated Surgical Activity Recognition with One Labeled Sequence
Johns Hopkins University（约翰斯·霍普金斯大学）
先前的工作已经证明了在机器人辅助手术中从运动数据自动识别活动的可行性。然而，这些努力已经假设了大量密集注释序列的可用性，这些序列必须由专家手动提供。这个过程是乏味的，昂贵的，并且容易出错。在本文中，我们提出了第一个分析的假设下，稀缺的注释，其中只有一个注释序列可用于训练。我们证明了在这种具有挑战性的环境中自动识别的可行性，并且我们表明，在识别阶段之前，以无监督的方式学习表示会导致性能的显着提高。此外，我们的论文对社区提出了一个新的挑战：在这个重要但相对未开发的制度中，我们能把性能推得更远吗？
2019-07-20 cs.CV
Privacy-Preserving Action Recognition: Taxonomy, Methods, and Privacy-Utility Trade-offs
Chung-Ang University（中央大学）；Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）；College of Art and Technology, Chung-Ang University（中央大学艺术与技术学院）
该研究通过PRISMA指导的综述，梳理32篇PPAR论文，提出分类法、评估协议等，分析各方法权衡，指出评估不足，推动PPAR从原型向部署发展。
2026-08-06 cs.CV
TactileEval: A Step Towards Automated Fine-Grained Evaluation and Editing of Tactile Graphics
School of Computer Science, Carleton University（卡莱顿大学计算机科学学院）
本文提出TactileEval，通过三阶段流程实现触觉图形的自动细粒度评估与编辑，基于专家评论建立质量分类体系，并利用ViT模型实现高精度任务识别与针对性修正。
2026-04-20 cs.CV
An Automated Size Recognition Technique for Acetabular Implant in Total Hip Replacement
Universiti Kebangsaan Malaysia（马来西亚国民大学）
全髋关节置换术（THR）中的术前模板是一种估计植入物最佳尺寸和位置的方法。今天，观察（手动）尺寸识别技术仍用于为患者找到合适的植入物。因此，应开发数字化和自动化技术，以便能够有效地实施植入物尺寸识别过程。为此，我们在THR术前计划中引入了基于髋臼尺寸直径的髋臼植入物尺寸识别新技术。该技术使外科医生能够自动识别数字髋臼植入物尺寸。随机选择10名身份不明患者的X线片，用于测试自动植入物尺寸识别技术的准确性和实用性。根据测试结果，新技术在9项研究中（90%）获得了与观察方法非常接近的结果。
2011-04-30 cs.CV
Hierarchical Novelty Detection for Visual Object Recognition
University of Michigan（密歇根大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；Google Brain（谷歌大脑）
深度神经网络在具有预定义类集的大规模视觉对象识别任务中取得了令人印象深刻的成功。然而，识别在训练过程中看不到的新类别的对象仍然具有挑战性。检测这种新类别的问题已经在文献中得到解决，但是大多数先前的工作集中在提供简单的二元或回归决策，例如，输出将是“已知的”、“新颖的”或相应的置信区间。在本文中，我们研究了更多的信息新颖性检测方案的基础上，层次分类框架。对于一个新的类的对象，我们的目标是在已知类的层次分类中找到它最接近的超类。为此，我们提出了两种不同的方法，称为自顶向下和扁平化的方法，以及它们的组合。我们的方法的基本组成部分是信心校准分类，数据重新标记，和留一出的策略下的层次分类建模新的类。此外，我们的方法可以生成一个层次嵌入，从而提高广义零样本学习性能结合其他常用的语义嵌入。
2018-06-15 cs.CV cs.LG stat.ML
An Automated Approach for the Recognition of Bengali License Plates
Ahsanullah University of Science and Technology（阿赫萨努拉科技大学）；United International University（联合国际大学）
自动车牌识别（ALPR）是一种自动识别任何车辆牌照的系统。这个过程对于跟踪、票务和任何计费系统等都很重要。随着信息和通信技术的使用，所有系统都实现了自动化，包括车辆跟踪系统。本研究提出一种混合式的车牌侦测方法。我们捕获的图像信息被用于孟加拉国车辆的识别过程，这是本研究的主题。在这里，对于车牌检测，使用YOLO模型，其中81%被正确预测。然后，车牌分割，大津的最大方差保持，最后，字符识别，CNN模型的应用。这种模式将允许车辆的自动车牌检测系统，以避免任何误用。
2021-09-01 cs.CV
An Enriched Automated PV Registry: Combining Image Recognition and 3D Building Data
Stanford University（斯坦福大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University of Freiburg（弗莱堡大学）
虽然光伏系统的安装速度前所未有，但关于安装水平的可靠信息仍然很少。因此，自动创建的光伏登记册是优化电网规划和运营的及时贡献。本文演示了如何将航空影像和三维建筑数据相结合，以创建一个地址级PV注册表，指定区域，倾斜和方向角。我们证明了这种方法的好处，光伏容量估计。此外，这项工作首次对自动化和正式创建的PV登记册进行了比较。我们的研究结果表明，我们丰富的自动注册表被证明是有用的验证，更新和补充官方注册表。
2020-12-07 cs.AI cs.CV cs.LG
A machine vision meta-algorithm for automated recognition of underwater objects using sidescan sonar imagery
CIDCO - Development Center for Ocean Mapping（CIDCO——海洋测绘开发中心）
本文详细介绍了一种新的方法来识别和检测实时侧扫声纳数据图像流中的水下物体，与水下考古的应用程序的案例研究，和幽灵渔具检索。我们首先从侧扫数据合成图像，应用几何和辐射校正，然后使用2D特征检测算法来识别点云的描述性视觉微观特征，如角和边缘的声纳图像。然后，我们在特征点云上应用聚类算法，将特征集分组为感兴趣的区域，拒绝误报，产生对象的地理参考库存。
2019-09-17 cs.CV cs.LG eess.IV
SelfEval: Leveraging the discriminative nature of generative models for evaluation
Meta；GenAI（生成式人工智能部门）
提出SelfEval方法，利用生成模型自身计算真实图像给定文本提示的似然以评估文本-图像生成扩散模型的文本对齐性，在多任务上与人类评估高度一致，且无需外部模型，还展现出与判别模型相当的识别性能。
2024-11-27 cs.CV cs.LG
Dual-Margin Embedding for Fine-Grained Long-Tailed Plant Taxonomy
Changwon National University（昌原国立大学）；Max Planck Institute for Security and Privacy (MPI-SP)（马克斯·普朗克安全与隐私研究所）；AiV Co.（AiV公司）
本文提出TaxoNet框架，通过理论支撑的双边目标优化类别决策边界，在类别不平衡情况下提升细粒度区分能力和稀有类表示几何。在开放世界设置中，利用多种植物数据集验证了其优于多模态基础模型的性能。
2026-04-13 cs.CV
Developing Motion Code Embedding for Action Recognition in Videos
University of South Florida（南佛罗里达大学）
在这项工作中，我们提出了一个运动嵌入策略称为运动代码，这是一个矢量化的运动表示的基础上操纵的显着的机械属性。这些运动代码提供了一个强大的运动表示，它们是使用一个层次结构的功能称为运动分类。我们开发并训练了一个深度神经网络模型，该模型结合了视觉和语义特征，以识别我们的运动分类中发现的特征，从而使用运动代码嵌入或注释视频。为了证明运动代码作为机器学习任务特征的潜力，我们将从运动嵌入模型中提取的特征集成到当前最先进的动作识别模型中。在EPIC-KITCHENS数据集的以自我为中心的视频上，所获得的模型比基线模型的动词分类任务实现了更高的准确性。
2020-12-10 cs.AI cs.CV cs.RO
Automated Latent Fingerprint Recognition
Michigan State University（密歇根州立大学）
潜在指纹是世界范围内执法和法医机构最重要和最广泛使用的证据之一。然而，NIST的评估表明，最先进的潜在识别系统的性能远远不能令人满意。一个高精度的自动化潜在指纹识别系统是必不可少的，以比较潜在的犯罪现场发现大量的参考指纹，以产生一个候选人名单的可能的伴侣。在本文中，我们提出了一种自动化的潜在指纹识别算法，利用卷积神经网络（ConvNets）的脊流估计和细节描述符提取，并提取互补模板（两个细节模板和一个纹理模板）来表示潜在的。基于三个模板的潜在指纹和参考指纹之间的比较分数被融合以从参考数据库中检索短候选列表。实验结果表明，rank-1的识别准确率（查询潜在的是匹配其真正的伴侣在参考数据库中）是64.7%的NIST SD 27和75.3%的WVU潜在的数据库，对参考数据库的100 K轧制印刷品。这些结果是最好的已发表的论文中的潜在识别和竞争的性能（66.7%和70.8%的排名-1准确度NIST SD 27和WVU DB，分别）的领先COTS潜在自动指纹识别系统（AFIS）。通过将我们的系统与商业现货（COTS）潜在AFIS进行评分级（等级级）融合，在NIST SD 27和WVU潜在数据库上，整体等级1识别性能分别从64.7%和75.3%提高到73.3%（74.4%）和76.6%（78.4%）。
2017-04-06 cs.CV
Towards the Design of an End-to-End Automated System for Image and Video-based Recognition
University of Maryland, College Park（马里兰大学帕克分校）；Rutgers University（罗格斯大学）
几十年来，从事对象识别的研究人员一直渴望一种端到端的自动化系统，该系统将简单地接受2D或3D图像或视频作为输入，并在输入数据中输出对象的标签。使用基于几何、辐射和神经考虑以及统计和结构匹配器导出的表示的计算机视觉方法以及基于人工神经网络的方法（其中多层网络学习从输入到类别标签的映射）已经为图像识别问题提供了竞争方法。在过去的四年中，基于深度卷积神经网络（DCNN）的方法在目标检测/识别挑战问题上表现出令人印象深刻的性能改进。这是由于大量注释数据的可用性，对图像和类别标签之间的非线性映射的更好理解以及GPU的可负担性。在本文中，我们提出了一个简短的历史，在计算机视觉和人工神经网络在过去的四十年的发展，基于图像的识别问题。然后，我们提出了一个用于端到端无约束人脸验证/识别的深度学习系统的设计细节。然后讨论了关于DCNN用于对象识别问题的一些公开问题。我们提醒读者，本文所表达的观点仅来自作者和作者!
2016-01-28 cs.CV
Automated Coin Recognition System using ANN
Thapar University（塔帕尔大学）
硬币是我们日常生活中不可或缺的一部分。我们在任何地方都使用硬币，如杂货店，银行，公共汽车，火车等，因此硬币可以自动分类和计数成为一个基本需求。为此，必须能够自动识别硬币。在本文中，我们已经开发了一个人工神经网络（人工神经网络）为基础的自动硬币识别系统的识别印度卢比面额的硬币。1、2、5和10，具有旋转不变性。我们从硬币的两面拍摄了照片。因此，该系统能够识别硬币的两面。使用Hough变换、模式平均等技术从图像中提取特征。然后，将提取的特征作为输入传递到训练好的神经网络。在实验过程中，识别率达到97.74%，即只有2.26%的漏识，这是相当令人鼓舞的。
2013-12-23 cs.AI cs.CV
A Dataset for Crucial Object Recognition in Blind and Low-Vision Individuals' Navigation
Pennsylvania State University（宾夕法尼亚州立大学）；Drake University（德拉克大学）
本文提出一个专为盲人和低视力者导航设计的数据集，包含90个关键物体的标注，旨在提升计算机视觉模型在实时物体识别中的准确性。
2026-03-01 cs.CV cs.HC
Analysis of Manual and Automated Skin Tone Assignments for Face Recognition Applications
Florida Institute of Technology（佛罗里达理工学院）；University of Notre Dame（圣母大学）
新闻报道表明，较深的肤色会导致面部识别错误的增加。Fitzpatrick量表广泛用于皮肤病学，以分类对阳光照射和肤色的敏感性。在本文中，我们分析了一组手动Fitzpatrick皮肤类型分配，并采用个人类型学的角度来自动估计肤色的人脸图像。一组手动肤色评级实验表明，人类评级者之间存在难以消除的不一致性。自动肤色评级的努力表明，它是特别具有挑战性的图像收集没有校准对象的场景。然而，颜色校正后，自动和手动方法之间的协议水平被发现是96%或更好的MORPH图像。据我们所知，这是第一项工作：（a）检查不同观察者之间手动肤色评级的一致性，（b）记录即使在给出示例图像用于指导并且所有图像都经过颜色校正时，不同观察者对同一图像的评级也存在实质性差异，以及（c）比较手动与自动肤色评级。
2021-04-29 cs.CV
50 Years of Automated Face Recognition
Department of Computer Science and Engineering, Michigan State University（计算机科学与工程系，密歇根州立大学）
本文综述了自动人脸识别技术的发展历程，分析了关键创新和挑战，并探讨了未来的研究方向。
2025-12-09 cs.CV
Automated Attendee Recognition System for Large-Scale Social Events or Conference Gathering
Avahi（阿瓦希）；Ericsson（爱立信）；Dharmsinh Desai University（达尔明辛德赛大学）
针对大规模活动人工考勤效率低且易错的问题，提出基于云的自动化系统，利用出入口摄像头进行实时人脸检测与识别，在动态条件下实现90%总体准确率及无遮挡时100%准确率。
2025-03-05 cs.CV
Training Set Effect on Super Resolution for Automated Target Recognition
PeopleTec, Inc.（PeopleTec公司）
单图像超分辨率（SISR）是将低分辨率图像映射到高分辨率图像的过程。这在遥感中作为提高卫星图像空间分辨率的一种方式具有固有的应用。这表明了对图像分类和目标检测中的自动目标识别的可能改进。我们使用超分辨率生成对抗网络（SRGAN）来探索不同训练集对SISR的影响。我们在不同的土地利用类别（例如农业，城市，港口）上训练训练5个SRGAN，并在相同的未见过的数据集上测试它们。我们试图找到定性和定量的差异SISR，二进制分类，和目标检测性能。我们发现，在测试本体中包含对象的策划训练集在两个计算机视觉任务上都表现得更好，而具有复杂的图像分布允许目标检测模型表现得更好。然而，超分辨率（SR）可能对某些问题没有好处，并且对于更接近解决的数据集，其回报量将逐渐减少。
2020-02-07 cs.CV
Automated Transcription for Pre-Modern Japanese Kuzushiji Documents by Random Lines Erasure and Curriculum Learning
Center for Open Data in The Humanities（人文开放数据中心）
由于日本历史文献的布局/背景复杂，书写风格复杂，如草书和连笔字，识别整页是一个具有挑战性的问题。以往的方法大多将识别过程分为字符分割和识别两部分。但是，这些方法只提供字符边界框和类，而不提供文本转录。在本文中，我们扩大了我们以前的人类启发识别系统从多行到Kuzushiji文件的整页。人类启发的识别系统在阅读过程中模拟人眼运动。针对训练数据不足的问题，提出了一种随机文本行擦除方法，该方法可以随机擦除文本行并使文档失真。对于识别系统的收敛性问题，我们采用了课程学习的方法，从简单的层次（几行文本）到困难的层次（整页文档）逐步训练识别系统。我们在Kaggle上的Kuzushiji识别竞赛的数据集上测试了步骤训练方法和随机文本行擦除方法。实验结果证明了所提方法的有效性。这些结果与Kuzushiji识别竞争的其他参与者具有竞争力。
2020-05-06 cs.CV
Leveraging Context to Support Automated Food Recognition in Restaurants
Georgia Institute of Technology（佐治亚理工学院）
移动相机的普及导致了食物照片的急剧增加，这些照片反映了人们吃什么。在本文中，我们研究了如何拍摄我们在餐馆吃的东西可以用于自动化食品日记的目的。我们建议利用照片拍摄的背景，以及有关餐厅的其他信息，在线提供，再加上最先进的计算机视觉技术来识别正在消费的食物。为此，我们展示了基于图像的识别在餐馆吃的食物，通过训练一个分类器，从餐馆的在线菜单数据库的图像。我们评估了我们的系统在不受约束的，现实世界的设置与食物图像在10家餐馆在5种不同类型的食物（美国，印度，意大利，墨西哥和泰国）的性能。
2015-10-07 cs.CV
Gesture Recognition with Keypoint and Radar Stream Fusion for Automated Vehicles
Ulm University（乌尔姆大学）；Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
我们提出了一种联合摄像头和雷达的方法，使自动驾驶汽车能够在日常交通中理解人类的手势并做出反应。最初，我们用PointNet处理雷达数据，然后用时空多层感知器（stMLP）处理。独立地，从相机帧中提取人体姿势，并使用单独的stMLP网络进行处理。我们提出了一个融合的神经网络的两种方式，包括一个辅助损失的每一种方式。在我们收集的数据集的实验中，我们展示了两种方式的手势识别的优势。受恶劣天气条件的影响，当其中一个传感器缺乏功能时，我们也展示了有希望的性能。
2023-02-20 cs.CV
Peepers & Pixels: Human Recognition Accuracy on Low Resolution Faces
Florida Institute of Technology（佛罗里达理工学院）；University of Notre Dame（圣母大学）
本研究系统测试不同瞳孔间距下人类对人脸识别的准确率，发现低分辨率（IPD为10px、5px）时人类准确率低于或接近随机水平，表明人类识别能力可能限制整体系统性能。
2025-03-25 cs.CV
Benchmarking Probabilistic Deep Learning Methods for License Plate Recognition
Univ. of Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
用于自动车牌识别的基于学习的算法隐含地假设训练数据和测试数据是良好对齐的。然而，在极端环境条件下，或者在无法针对特定采集设备训练系统的法医应用中，情况可能并非如此。对这种分布外图像的预测失败的可能性增加。但是这种故障情况对于人类操作员或自动化系统来说通常很难识别。因此，在这项工作中，我们提出了明确的车牌识别的预测不确定性建模。这种不确定性度量允许检测错误预测，指示分析人员何时不信任自动车牌识别的结果。在本文中，我们比较了两种架构上的三种不确定性量化方法。对合成噪声或模糊低分辨率图像的实验表明，预测不确定性可靠地发现错误的预测。我们还表明，分类和超分辨率的多任务组合将识别性能提高了109%，错误预测的检测提高了29%。
2023-02-02 cs.CV
ViCocktail: Automated Multi-Modal Data Collection for Vietnamese Audio-Visual Speech Recognition
New Turing Institute（新图灵研究所）；Phenikaa University（费尼卡大学）；Vietnam Institute of Information Technology（越南信息技术研究所）；VietAI Research（越南人工智能研究）
本文提出一种从原始视频自动生成越南语音视频语音识别数据集的高效方法，并基于该数据构建基线AVSR模型，在噪声环境中显著优于纯音频ASR，为低资源语言扩展AVSR提供了可行路径。
2025-06-05 cs.CL cs.CV
Fully-Automated Packaging Structure Recognition in Logistics Environments
FZI Research Center for Information Technology（FZI信息技术研究中心）
在物流供应链中，各种各样的运输货物需要在许多不同的网络点进行处理、识别和检查。通常，在识别或验证数据包身份或打包结构时需要大量的人工工作，例如检查交付的完整性。我们提出了一种完全自动化的包装结构识别方法：基于单个图像，定位一个或多个运输单元，并且对于这些运输单元中的每一个，识别其包装单元的特征、总数和布置。我们的算法基于深度学习模型，更准确地说是用于图像中实例分割的卷积神经网络，以及计算机视觉方法和启发式组件。我们使用自定义数据集的现实物流图像的训练和评估我们的方法。我们表明，该解决方案能够正确识别约85%的测试用例中的封装结构，当专注于最常见的封装类型时，甚至更多（91%）。
2020-08-11 cs.CV
A first step towards automated species recognition from camera trap images of mammals using AI in a European temperate forest
Bialystok University of Technology（比亚韦斯托克理工大学）；Mammal Research Institute, Polish Academy of Sciences（波兰科学院哺乳动物研究所）
相机陷阱在世界范围内用于监视野生动物。尽管深度学习（DL）模型的可用性越来越高，但该技术在支持野生动物监测方面的有效使用仍然有限。这主要是由于DL技术的复杂性和高计算要求。本文介绍了实现轻量级和最先进的YOLOv5架构的自动标记的相机陷阱图像的哺乳动物在比亚沃维耶扎森林（BF），波兰。相机捕获数据使用TRAPPER软件进行组织和协调，TRAPPER软件是一种用于管理大规模野生动物监测项目的开源应用程序。所提出的图像识别管道在使用有限的训练和测试数据集（总共2659张动物图像）识别BF中最常见的12种中型和大型哺乳动物物种时，平均准确率达到85%F1分数。基于初步结果，我们得出结论，YOLOv5目标检测和分类模型是一个有前途的轻量级DL解决方案后，采用迁移学习技术。它可以通过API有效地插入现有的基于网络的相机捕获数据处理平台，例如TRAPPER系统。由于TRAPPER已经被欧洲的许多研究小组用于管理和分类（手动）相机捕获数据集，因此基于人工智能的自动物种分类的实施可以显着加快数据处理工作流程，从而更好地支持数据驱动的野生动物监测和保护。此外，YOLOv5开发人员在边缘设备上表现更好，这可能会直接从相机陷阱设备实时的监控动物种群的新篇章。
2021-03-19 cs.CV cs.LG eess.IV
Automated recognition of the pericardium contour on processed CT images using genetic algorithms
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Khalifa University of Science and Technology（哈利法科技大学）
本文提出了一种基于遗传算法的计算机断层扫描（CT）图像心包轮廓跟踪识别方法。我们假设心包的每个切片可以由椭圆建模，其参数需要被最佳地确定。最佳的椭圆将是紧密遵循心包轮廓的椭圆，并且因此适当地分离人类心脏的心外膜脂肪和纵隔脂肪。跟踪和自动识别心包轮廓有助于医疗诊断。通常，这个过程是手动完成的，或者由于所需的工作而根本不做。此外，检测心包可以改进先前提出的分离与人类心脏相关联的两种类型的脂肪的自动化方法。这些脂肪的定量提供了重要的健康风险标志物信息，因为它们与某些心血管疾病的发展有关。最后，我们得出结论，GA提供了一个可行的处理时间的满意的解决方案。
2022-08-30 cs.CV cs.LG cs.NE
Globally-scalable Automated Target Recognition (GATR)
Lockheed Martin Space（洛克希德·马丁空间系统公司）
GATR（全球可扩展的自动目标识别）是洛克希德·马丁公司的一个软件系统，用于在全球范围内对卫星图像进行实时目标检测和分类。GATR使用GPU加速的深度学习软件来快速搜索大的地理区域。在一个GPU上，它以超过16平方公里/秒（或超过10百万像素/秒）的速度处理图像，并且只需要两个小时就可以搜索整个宾夕法尼亚州的天然气压裂井。搜索时间与地理区域呈线性关系，处理速率与GPU数量呈线性关系。GATR拥有模块化的云架构，使用Maxar GBDX平台，并提供ATR分析即服务。应用包括广域搜索、港口和机场监视箱以及场地特征描述。ATR由包括RetinaNet和Faster R-CNN在内的深度学习模型执行。结果显示，飞机和水力压裂井的检测，即使在以前从未见过的地理区域，召回率也超过90%。GATR可扩展到新的目标，如汽车和船舶，它也处理雷达和红外图像。
2020-09-10 cs.CV
Facial Emotion Recognition does not detect feeling unsafe in automated driving
Faculty of Mechanical Engineering, Delft University of Technology（代尔夫特理工大学机械工程学院）；Siemens Digital Industries Software（西门子数字工业软件）
本文通过驾驶模拟器实验发现面部情绪识别无法可靠检测自动驾驶中的感知风险，并提出结合车辆运动与皮肤电导的神经网络模型，可客观预测感知风险。
2025-09-01 cs.CV
Automated Image Recognition Framework
University of Science, VNU-HCM, Ho Chi Minh City, Vietnam（越南胡志明市VNU-HCM大学）；Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学）；University of Dayton, Ohio, United States（Dayton大学）
提出一种利用生成式AI的自动化图像识别（AIR）框架，包含AIR-Gen和AIR-Aug两个数据合成过程，实现高质量预标注数据集的自动生成与模型训练，有效解决了数据收集与标注的成本问题。
2025-06-24 cs.CV
Automated Defect Recognition of Castings defects using Neural Networks
ITP Aero（ITP航空）；Univ. Carlos III de Madrid（马德里卡洛斯三世大学）
工业X射线分析在航空航天、汽车或核工业中很常见，这些行业需要保证某些零件的结构完整性。然而，射线照相图像的解释有时是困难的，并且可能导致两个专家在缺陷分类上意见不一致。本文提出的自动缺陷识别（ADR）系统将减少分析时间，并且还将有助于减少对缺陷的主观解释，同时增加人类检查员的可靠性。我们的卷积神经网络（CNN）模型达到了94.2\%的准确率（mAP@IoU=50\%），当应用于汽车铝铸件数据集（GDXray）时，这被认为与预期的人类表现相似，超过了该数据集的当前最先进水平。在工业环境中，它的推理时间小于400 ms/DICOM图像，因此它可以安装在生产设施上，而不会影响交付时间。此外，还对主要超参数进行了消融研究，以优化模型准确度，从初始基线结果75 mAP提高到94.2 mAP。
2022-09-06 cs.CV
ARBEE: Towards Automated Recognition of Bodily Expression of Emotion In the Wild
The Pennsylvania State University（宾夕法尼亚州立大学）；Amazon Lab126（亚马逊Lab126）
可以说，人类天生就准备好从微妙的身体动作中理解他人的情感表达。如果机器人或计算机能够被赋予这种能力，许多机器人应用就成为可能。然而，鉴于对情感表达和身体动作之间关系的不完全理解，在不受约束的情况下自动识别人体表情是令人畏惧的。目前的研究，作为计算机和信息科学，心理学和统计学之间的多学科努力，提出了一种可扩展和可靠的众包方法，用于收集野外感知的情感数据，供计算机学习识别人类的肢体语言。为了完成这一任务，我们创建了一个庞大且不断增长的注释数据集，其中包含9，876个身体动作视频片段和13，239个人类角色，名为BoLD（肢体语言数据集）。对数据集的全面统计分析揭示了许多有趣的见解。一个系统来模拟的情感表达的基础上，身体的动作，命名为ARBEE（自动识别的身体表达的情感），也已经开发和评估。我们的分析表明，拉班运动分析（LMA）功能的有效性，在表征唤醒，我们的实验使用LMA功能进一步证明了身体表达的可计算性。我们的报告和比较结果的其他几个基线方法，开发的动作识别的基础上两种不同的方式，身体骨架，和原始图像。这项工作中提出的数据集和发现可能会成为未来身体语言理解发现的发射台，这将使未来的机器人能够更有效地与人类互动和合作。
2019-07-09 cs.CV
Mobile Touchless Fingerprint Recognition: Implementation, Performance and Usability Aspects
Hochschule Darmstadt（达姆施塔特应用科学大学）；Freie Universität Berlin（柏林自由大学）
本文提出了一种用于智能手机的自动非接触式指纹识别系统。我们提供了一个全面的描述，整个识别管道，并讨论了一个完全自动化的捕获系统的重要要求。此外，我们的实现是公开的研究目的。在数据库采集过程中，在两种不同的环境情况下采集了29名受试者的总计1，360个非接触和基于接触的样本。在所获得的数据库上的实验表明，我们的非接触式方案和基于触摸的基线方案在受约束的环境影响下的性能相当。两种捕获设备类型的比较可用性研究表明，大多数受试者更喜欢非接触式捕获方法。根据我们的实验结果，我们分析了当前COVID-19大流行对指纹识别系统的影响。最后，对非接触式指纹识别的实现进行了总结。
2021-03-04 cs.CV
Industrial object, machine part and defect recognition towards fully automated industrial monitoring employing deep learning. The case of multilevel VGG19
University of Patras（帕特雷大学）
现代工业需要现代化的解决方案来监控货物的自动生产。对技术系统或机器的机械部件的功能进行智能监控是全自动生产过程的必要条件。尽管深度学习一直在进步，可以实现实时目标检测和其他任务，但很少有人研究专门设计的卷积神经网络用于缺陷检测和工业物体识别的有效性。在特定的研究中，我们采用了六个可检索的工业相关数据集，包含缺陷材料和工业工具或发动机零件，旨在开发一个专门的模式识别模型。最近的成功的虚拟几何组（VGG）网络的动机，我们提出了一个修改后的版本，称为多路径VGG 19，它允许更多的本地和全球特征提取，而额外的功能通过级联融合。实验验证了MVGG19相对于传统VGG19的有效性。具体而言，在六个图像数据集中的五个中实现了最佳分类性能，而平均分类改进为6.95%。
2020-11-23 cs.CV eess.IV
MVT: Mask-Grounded Vision-Language Models for Taxonomy-Aligned Land-Cover Tagging
HKUST（香港科技大学）；JHU（约翰·霍普金斯大学）；CUHKSZ（香港中文大学）；NUS（新加坡国立大学）；MUST（穆斯林大学）
MVT通过三阶段框架结合类无关掩码证据与基于分类的场景解释，提升遥感土地覆盖标签的准确性和信息性。
2026-01-08 cs.CV
Symmetry Based Cluster Approach for Automatic Recognition of the Epileptic Focus in Brain Using PET Scan Image : An Analysis
Sathyabama University（萨蒂亚巴马大学）；Narasu’s Sarathy Institute of Technology（纳拉苏萨拉蒂技术学院）
癫痫病灶的识别是癫痫患者潜在外科治疗筛选的重要诊断。由于图像空间分辨率低，噪声数据多，精确定位是一个挑战。正电子发射断层扫描（PET）现在已经取代了这个问题，并且具有很高的分辨率。本文主要研究基于对称性聚类的脑功能图像癫痫发作自动定位方法。该方法提出了一种全自动的基于对称性的PET序列脑异常检测方法。PET图像在空间上归一化为医学数字成像和通信（DICOM）标准，然后使用基于对称性的聚类方法使用医学图像处理、分析和可视化（MIPAV）工具对其进行训练。性能的演变被认为是诊断的准确性等度量。所获得的结果确实有助于外科医生自动识别癫痫灶。
2013-03-04 cs.CV
Material Recognition for Automated Progress Monitoring using Deep Learning Methods
Art University of Tehran（德黑兰艺术大学）；Ferdowsi University of Mashhad（马什哈德菲尔多西大学）；Islamic Azad University Taft（塔夫伊斯兰阿扎德大学）；Dibrugarh University（迪布鲁格尔大学）；Deakin University（迪肯大学）
人工智能的最新进展，特别是深度学习，通过引入最先进的自动化方法，不可逆转地改变了许多领域。建筑监控也不例外，作为建筑监控系统的一部分，材料分类和识别已经引起了深度学习和机器视觉研究人员的关注。然而，要创建生产就绪系统，还有很长的路要走。现实世界的问题，如不同的照明和达到可接受的精度需要解决，以创建强大的系统。在本文中，我们已经解决了这些问题，并达到了最先进的性能，即，97.35%的准确率。此外，一个新的数据集，包含1231个图像的11类从几个建筑工地收集和公开发表，以帮助其他研究人员在这一领域。
2021-04-17 cs.CV stat.ML
In-Depth Analysis of Automated Acne Disease Recognition and Classification
Bahcesehir University（巴赫切谢希尔大学）；University of Connecticut（康涅狄格大学）；Daffodil International University（水仙花国际大学）；Florida Gulf Coast University（佛罗里达海湾海岸大学）
本文提出一种基于机器学习的自动化痤疮识别与分类专家系统，通过预处理、k-means聚类分割及GLCM与统计特征提取，利用五种分类器对六种痤疮进行分类，Random Forest达到98.50%最高准确率。
2025-03-04 cs.CV
Exploring Automated Recognition of Instructional Activity and Discourse from Multimodal Classroom Data
本文通过多模态分析方法，实现了课堂活动中教学活动和话语的自动化识别，展示了微调模型在视频和 transcripts 上的高准确率，为可扩展的教师反馈系统提供了基础。
2025-12-11 cs.CV
