从计算机视觉任务的有限注释中学习
Learning from Limited Annotations for Computer Vision Tasks
由于深度学习的快速发展,过去十年我们见证了计算机视觉领域的显著成就。随着计算能力和深度学习算法的进步,我们可以处理和应用数百万甚至数亿的大规模数据来训练稳健和先进的深度学习模型。
尽管取得了令人瞩目的成功,当前的深度学习方法往往依赖于大量带注释的训练数据,并且缺乏从有限样本中学习的能力。然而,构建像 ImageNet 这样的百万级标注数据集是耗时且劳动密集型的,在许多应用中甚至是不可行的。在某些领域,由于某些原因(例如隐私或道德问题)我们只可以收集到非常有限的注释示例。因此,计算机视觉面临的紧迫挑战之一是开发能够从有限的注释数据中学习的方法。
本期特刊旨在为计算机视觉任务(例如图像分类、对象检测、语义分割、实例分割等)收集关于从有限注释中学习的高质量研究论文,发表新思想、理论、解决方案、 和有关该主题的见解,并展示其相关的应用。
本特刊感兴趣的话题包括但不限于:
计算机视觉任务的自监督学习方法
计算机视觉任务的半监督学习方法
计算机视觉任务的小样本学习方法
计算机视觉任务的零样本学习方法
计算机视觉任务的元学习方法
计算机视觉任务的弱监督学习方法
计算机视觉任务的领域适应方法
计算机视觉任务的迁移学习方法
客座编辑:
Yazhou Yao,南京理工大学(中国)yazhou.yao@njust.edu.cn
Wenguan Wang,苏黎世联邦理工学院(瑞士)wenguanwang.ai@gmail.com
Qiang Wu,悉尼科技大学(澳大利亚)Qiang.Wu@uts.edu.au
Dongfang Liu,罗切斯特理工学院(美国)dongfang.liu@rit.edu
Jin Zheng,北京航空航天大学(中国)jinzheng@buaa.edu.cn
欢迎通过邮件联系客座编辑讨论特刊相关问题
投稿方式:
投稿截止:2022年10月31日
扫描二维码阅读特刊征稿详情:
https://ietresearch.onlinelibrary.wiley.com/pb-assets/assets/17519640/Special%20Issues/IET_CVI_CfP_LLACVT-1646053807813.pdf
投稿地址:
复制以下链接或点击阅读原文提交您的稿件:
https://mc.manuscriptcentral.com/theiet-cvi
关于本刊:
期刊主编:Majid Mirmehdi,布里斯托尔大学(英国)
影响因子:1.950
IET Computer Vision 是一本金色开放获取期刊,发表计算机视觉广泛领域的原创研究论文。
点赞,在看,分享,来个一键三连吧!