作為成渝地區東數西算的深度參與者，特斯聯近期對外公布了其計算機視覺（CV）領域的多個科研突破，並有8篇論文被CVPR、TPAMI等頂級國際學術會議和期刊收錄。

　　此次
，特斯聯在CV領域的科研突破涵蓋語義分割

、圖像增強、顯著物體識別
、遷移學習、行為識別等方麵。其中不少創新技術打破了現有技術上限，亦開發了數個性能更優、識別更快、效率更高的模型，這些技術研究的應用與推廣將成為特斯聯賦能城市數字化、智能化的有力保障。

　　在機器視覺行業產業鏈中，如上遊的光源、鏡頭
、工業相機
、圖像處理器、tuxiangcaijikadengyingjian，tuxiangchuliruanjianhedicengsuanfadengruanjianxitonghuisuizhejiqishijiaodediedaierkuaisufazhan，tuijinzhenggechanyeliandeshengji。tesilianjituanshouxikexuejiajiantesilianguojizongcaishaolingboshijiqituanduizaigailingyuzhongtichudetuxiangheshipindeshibiehexuexigesuanfa
，jidasuoduanlexunlianhetuilishijian，congtuxiangshibietisheng、識別效率提升以及解決數據標注瓶頸三個方麵，提升了整體視覺應用效果。

　　圖像識別提升方麵
，團隊的技術突破主要集中在算法層麵，囊括背景消除模塊、圖(tu)像(xiang)特(te)征(zheng)突(tu)出(chu)等(deng)。這(zhe)些(xie)可(ke)以(yi)從(cong)圖(tu)像(xiang)本(ben)質(zhi)入(ru)手(shou)，豐(feng)富(fu)圖(tu)像(xiang)本(ben)身(shen)信(xin)息(xi)，去(qu)除(chu)多(duo)餘(yu)噪(zao)點(dian)
，為(wei)後(hou)續(xu)圖(tu)像(xiang)識(shi)別(bie)提(ti)供(gong)高(gao)清(qing)的(de)圖(tu)像(xiang)數(shu)據(ju)，是(shi)高(gao)效(xiao)率(lv)識(shi)別(bie)的(de)基(ji)礎(chu)。更(geng)有(you)技(ji)術(shu)突(tu)破(po)采(cai)用(yong)創(chuang)新(xin)手(shou)法(fa)，如(ru)加(jia)上(shang)聲(sheng)音(yin)信(xin)息(xi)來(lai)協(xie)助(zhu)識(shi)別(bie)，提(ti)高(gao)信(xin)息(xi)準(zhun)確(que)度(du)。

　　為(wei)提(ti)高(gao)識(shi)別(bie)效(xiao)率(lv)，團(tuan)隊(dui)研(yan)究(jiu)出(chu)新(xin)的(de)算(suan)法(fa)框(kuang)架(jia)以(yi)及(ji)新(xin)的(de)采(cai)樣(yang)器(qi)，可(ke)以(yi)顯(xian)著(zhu)提(ti)高(gao)識(shi)別(bie)效(xiao)率(lv)
，大(da)大(da)縮(suo)短(duan)訓(xun)練(lian)時(shi)間(jian)。在(zai)圖(tu)像(xiang)識(shi)別(bie)中(zhong)，快(kuai)速(su)的(de)識(shi)別(bie)可(ke)以(yi)提(ti)高(gao)服(fu)務(wu)質(zhi)量(liang)
，減(jian)少(shao)延(yan)遲(chi)，讓(rang)人(ren)們(men)感(gan)受(shou)更(geng)智(zhi)能(neng)的(de)交(jiao)互(hu)。

　　ciwai，tesiliantuanduihaijiejueletuxiangbiaozhuwenti。shujubiaozhushiyigezhongyaodeguocheng
，chuantongrengongshujubiaozhufeishifeili。tuanduitichuleyizhongxindeleibieduibijishu（CaCo），該技術在無監督域適應（UDA）任務的實例判別之上引入語義先驗，可以有效地用於各種視覺UDA任務。該技術構建了一個具有語義感知的字典，其中包含來自源域和目標域的樣本，每個目標樣本根據源域樣本的類別先驗分配到一個（偽）類別標簽，以便學習與UDA目標完全匹配的類別區分但域不變的表征。

　　與當下最先進的方法對比，簡單的CaCo技術可以實現更優越的性能表現，也可以成為現有UDA方法的補充，推廣到其他機器學習方法中去，如無監督模型適應
，開放/部分集適應等。該技術解決了傳統監督學習需要大量人工標注的問題
，比現有技術擁有更高的效率。