高分辨率图像分割在医疗影像、自动驾驶、遥感图像等方向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
我们邀请到中科院博士，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
课程大纲
第一节：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
第二节：高分辨率图像的语义分割（下）
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着加快了推理速度。
ISDNet 的整体框架图
在CVPR2023上，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