暑期参会攻略｜来厦门 CACG 2026，科研成果与海滨旅行双向收获

原创 于 2026-06-22 17:10:49 发布 · 180 阅读 · 2 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#计算机视觉 #学术会议 #计算机应用 #人工智能

【集美大学主办 | ACM出版 | EI稳定检索】第三届计算机应用与计算机图形学国际学术会议（CACG 2026）

会议亮点抢先看

1、高校背书，集美大学主办，各大会议平台推荐，可放心投递➡学术会议云、学者网、科学网

2、ACM出版，稳定EI检索，ISBN号已确定，签署版权环节即有DOI号！

3、征稿范围广，计算机应用、计算机图形学、人工智能、数字媒体等全领域覆盖

4、三人成团，每篇可享“优惠400元”团报价。

【重要消息】

会议官网：www.ic-cacg.com

会议时间：2026年7月17-19日 

会议地点：中国·厦门

最终截稿时间：2026年7月3日23:59

接受/拒稿通知：投稿后1周内

收录检索：ACM出版，EI Compendex，Scopus

【合作单位】

主办单位：集美大学

承办单位：集美大学计算机工程学院

支持单位：诺丁汉大学

【征稿方向】

会议聚焦计算机应用与计算机图形学两大核心板块，覆盖当下主流热门研究领域，相关交叉方向均可投稿，适配人群极广：

计算机应用方向 人工智能与机器学习、数据科学与大数据、计算机视觉、神经网络、网络安全、模式识别、图像处理、人机交互、机器人与自主系统、分布式计算、智能控制、姿态估计与目标跟踪等；
计算机图形学方向 真实感图形、几何造型、计算机动画与游戏、虚拟现实 / 混合现实、三维视觉、三维目标检测、科学计算可视化、数字媒体技术、工程图形应用、基于图像的机器人感知等。
如果对论文主题适配性存在疑问，也可联系会议秘书进行提前咨询。

【出版信息】

所有的投稿都必须经过2-3位组委会专家审稿，经过严格的审稿之后，最终所有录用的论文将提交至 ACM International Conference Proceedings Series 出版，见刊后由出版社提交至EI, Scopus检索。

Phoenix930
关注
中草药检测数据集分享（适用于目标检测任务已标注+划分）
dgw25sf的博客
06-17 269
中草药检测数据集摘要 本数据集包含10000张高质量中草药图像，涵盖45种常见中药材类别（如白茯苓、白芍、白术、蒲公英等），已按照标准机器学习流程划分为8500张训练集和1500张验证集。数据集采用图像分类目录结构，每种药材包含多角度拍摄图像，具有丰富的形态、颜色和纹理特征差异，适合训练深度学习模型进行中草药自动识别。 该数据集可用于构建中药材识别系统、智能中药房管理以及中医药数字化研究，支持CNN、ResNet等图像分类模型的训练与验证。数据集通过百度网盘共享（提取码：v4my），包含完整的图像数据和标注
雷达与相机标定
yijiujiusan的博客
06-15 198
本文介绍了多传感器标定的关键技术：1. 相机内参标定采用张正友标定法，通过棋盘格靶标求解内参矩阵和畸变参数；2. 激光雷达通过飞行时间测距获取点云数据，并转换为笛卡尔坐标；3. 雷达-相机联合标定重点阐述了三种外参标定方法：基于标定板的靶标法（精度最高）、基于自然场景的无靶标法、以及利用运动约束的方法，并给出了标定质量评估指标和可视化验证方法。文中还提供了标定流程总结和常用工具推荐，为多传感器融合系统提供了实用的标定技术方案。
微调LocateAnything-3B 实现超高密度的目标检测
deephub
06-21 366
本文介绍如何微调NVIDIA LocateAnything-3B模型，应对300+密集重叠种子的精准定位难题。依托并行框解码（PBD）与半监督Pipeline（点标注→SAM2转框→YOLO伪标→定向微调），大幅降低人工成本，实现高精度、可落地的密集目标检测方案。
ROS2 视觉感知、目标检测与 TF 控制闭环复盘：从 /camera/image_raw 到 /cmd_vel 的机器人目标跟随实现
weixin_72630804的博客
06-15 937
本文系统阐述了机器人视觉感知到运动控制的闭环流程。核心路径为：摄像头获取图像→目标检测（AprilTag/YOLO）→感知结果处理→运动决策→速度控制。重点分析了图像格式转换、两种检测方式的适用场景（AprilTag适合稳定测试，YOLO适合通用识别）、感知数据组织方法，以及基于图像偏移的简易控制策略。进一步探讨了通过TF坐标变换将二维图像信息转换为三维空间位置的方法，并强调了包含超时检测、置信度过滤等安全机制的重要性。该闭环系统实现了基础的视觉伺服功能，使机器人能够根据视觉反馈调整运动状态。
Agent实习 - 低资源下 SFT 的解决方案
weixin_57128596的博客
06-17 409
本文以当前项目的 Qwen3-VL-2B 猫咪场景结构化 JSON SFT 为例，说明在单卡 RTX 4080 16GB 等低资源环境下，如何通过 LoRA、batch、梯度累积、序列长度、图像分辨率和数据加载参数来稳定训练，同时尽量提高 GPU 利用率。
昆虫目标检测数据集：102类别、30,000+张图像 | 目标检测
dgw25sf的博客
06-20 196
本数据集含102类昆虫、34156张高质量图像，YOLO格式标注，覆盖稻麦豆果蔬等主要害虫，具备多角度、多光照、多背景及丰富姿态的强多样性，专为小目标、细粒度、多类别农业虫害检测优化，支持YOLOv5-v11等主流模型直接训练。
基于YOLO系列工业视觉数据集｜智慧工地无人机巡检、厂区安全运维目标检测数据资源10306期
2403_88545703的博客
06-17 336
基于YOLO系列工业视觉数据集｜智慧工地无人机巡检、厂区安全运维目标检测数据资源10306期
【计算机视觉】OpenCV 模板匹配银行卡数字识别---下
m0_66822255的博客
06-16 510
在上篇教程中，我们已经完成了项目环境搭建、工具脚本封装、数字模板图预处理、0-9数字模板提取存储的全部核心操作，成功将标准模板图中的十个数字拆解为独立、统一尺寸的数字样本字典，为后续真实银行卡数字识别搭建了核心模板库。本篇作为项目下篇核心实战内容，将重点讲解真实银行卡图像的全套图像处理流程、数字区域精准定位、单数字拆分、模板匹配识别、结果可视化输出全链路逻辑。
CVPR 2026 | TACO + OxfoLD：面向 LiDAR 定位与 3D 目标检测的联合学习框架与新数据集
陈嘿萌的博客
06-21 347
TACO: Task-Aware Contrastive Learning for Joint LiDAR Localization and 3D Object Detection | TACO：面向 LiDAR 定位与 3D 目标检测联合学习的任务感知对比学习
【工业领域】了解目标检测评估指标——从mAP到IoU的完整评价体系解析
qq_38196449的博客
06-16 269
在工业视觉系统中，目标检测模型不仅要“能用”，更要“可靠”。例如在产线检测中：检测漏掉一个缺陷 → 可能造成质量事故误检一个正常产品 → 降低生产效率定位偏差过大 → 影响后续自动化处理因此，仅仅看“准确率”远远不够。目标检测评估指标体系本文将系统讲清工业领域最重要的检测评估指标，包括 IoU、Precision、Recall、AP、mAP 等核心概念。目标检测评估的核心基础。Precision vs Recall 曲线AP = PR曲线面积预测框↓计算IoU↓匹配GT↓。
目标检测全攻略：从经典算法到5步实战（含简易测试代码）
码力砖家
06-17 232
目标检测是计算机视觉领域的核心任务之一，也是自动驾驶、智能监控、人脸识别等应用的基础。近年来，深度学习技术极大地推动了目标检测的发展，从R-CNN到YOLO系列，检测精度和速度不断提升。同时，开源工具（如PixelLib）让开发者只需几行代码就能完成复杂的视频目标检测任务。本文将理论与实践结合，首先梳理目标检测的主流算法（R-CNN家族、YOLO家族），然后基于清华综述论文《基于深度学习的自动驾驶技术综述》深入剖析行人检测、立体匹配、多传感器融合等关键技术，最后手把手演示。
【工业领域】掌握非极大值抑制（NMS）目标检测后处理方法——从重复框消除到工程落地核心技术
qq_38196449的博客
06-16 570
在目标检测系统中，模型的输出通常不是“一个框”，而是一堆候选框。猫 → 可能输出10个框只保留一个最准确的框否则会出现严重问题：重复检测结果混乱工业系统误报警非极大值抑制（Non-Maximum Suppression, NMS）NMS是工业目标检测后处理的核心技术之一。候选框↓置信度排序↓选最高框↓计算IoU↓过滤重叠框↓重复循环↓最终输出。
【工业领域】了解目标检测基本流程——从数据到部署的完整工程化思路
qq_38196449的博客
06-16 275
在工业视觉系统中，图像分类已经无法满足复杂场景需求。这是什么它在哪里目标检测（Object Detection）目标检测广泛应用于：工业缺陷检测自动驾驶智能安防物流分拣医学影像分析它是连接“视觉理解”和“工程落地”的核心技术之一。本文将从工业视角出发，系统讲清目标检测的完整流程。在图像中找到所有目标，并给出类别 + 位置目标检测是工业视觉系统的核心技术，它不仅要求识别“是什么”，还要精确定位“在哪里”，因此在工程中具有极高价值。
计算雅可比矩阵时，不用完整计算，采用JVP？如何理解？传统的 CNN 目标检测任务在算法本质上根本不需要JVP
AbiUni（YY熊）
06-17 374
JVP 计算的是J⋅vJ \cdot vJ⋅v，其中vvv是一个与输入xxx维度相同的已知向量（大小为n×1n \times 1n×1矩阵JJJ是m×nm \times nm×n，向量vvv是n×1n \times 1n×1。相乘后的结果J⋅vJ \cdot vJ⋅v是一个大小仅为m×1m \times 1m×1的向量。核心优势：JVP 允许我们绕过显式构建m×nm \times nm×n。
SSR / MSR 图像增强
fie8889的博客
06-16 266
SSR / MSR 图像增强
开放词汇目标检测：Grounding DINO 与 SAM2 实战
谁念西风独自凉
06-20 86
开放词汇：用自然语言描述目标，无需训练精确分割：SAM2 提供像素级掩码零样本泛化：适用于任意领域组合使用：先检测定位，再分割精细掩码。
目标跟踪实战：SORT、DeepSORT 与 ByteTrack 原理实现
谁念西风独自凉
06-21 84
目标跟踪的核心是帧间关联SORT：最简单，卡尔曼滤波 + IoU 匹配DeepSORT：加入外观特征，解决遮挡后重识别ByteTrack：利用低分检测，大幅减少漏检实践建议：速度优先选 ByteTrack，精度优先选 BoT-SORT。
基于小规模非平衡数据集，采用主动迁移学习与加权自适应不确定性-多样性采样技术进行施工现场目标检测（沙特葡萄牙2026年联合研究）
Ricky0553的博客
06-21 184
本文提出了一种适用于动态施工环境中的鲁棒目标检测主动学习框架，有效解决了标注数据有限及标注成本高昂的挑战。相较于随机采样方法，该方法可降低30%-40%的标注工作量，充分展现了其在改进建筑构件识别算法开发方面的潜力——尤其适用于安全设备、建筑部件及施工工具等通常不可见的小型物体识别场景。本文提出了一种稳健且高效的主动学习框架，用于动态建筑工地中的目标检测任务，该框架充分利用了YOLOv10的先进能力以及一种加权自适应不确定性多样性采样策略。
计算机视觉颜色算法深度解析：阈值分割、RGB、HSV 与 LAB 的实战对比
m0_61749394的博客
06-15 668
结合 OpenCV 中的具体取值范围，提供 Python 实战代码，并通过同一场景下的效果对比，助你根据具体场景做出最优技术选型。以下代码基于 opencv-python 和 numpy，展示四种方法的核心实现，并详细注释了 OpenCV 中的取值范围。HSV 是对 RGB 的非线性变换，旨在更符合人类对颜色的直观认知，将颜色分解为色调、饱和度和明度。理论值为 0-100，OpenCV 映射到 0-255。：三维笛卡尔坐标系，每个通道取值通常为 0-255。0 为灰色，255 为完全饱和。
水下目标检测数据集：11类海洋渔具及垃圾 | 目标检测
最新发布
dgw25sf的博客
06-21 321
本数据集含2500张真实水下图像，涵盖11类废弃渔具（如鱼笼、绳索、渔网）与海洋垃圾（轮胎、木材等），支持YOLO等目标检测模型训练。专为应对水下光学退化、目标遮挡、尺度多变等挑战构建，标注精细、结构规范、开箱即用，助力ROV/AUV智能巡检与海洋生态治理。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值