视觉稠密预测是计算机视觉领域的重要任务之一。这些任务在许多应用中发挥着关键作用，如自动驾驶、虚拟现实和增强现实等。然而，由于任务的计算复杂性和大规模数据的处理需求，GPU 成为了加速视觉稠密预测的重要工具。通过将任务分解为并行的计算操作，并利用 GPU 的高度并行性，可以在更短的时间内完成复杂的稠密预测任务。

6月7日，智东西公开课联合超集信息策划推出「GPU 加速视觉稠密预测在线研讨会」。本次研讨会特邀华中科技大学人工智能与自动化学院副教授陆昊，和超集信息解决方案部高级硬件工程师黄晓静参与主讲，主题分别为《动态上采样算子及在稠密预测任务中的通用性研究》和《 GPU 加速的计算机视觉基础方案建设》。

华中科技大学副教授陆昊：动态上采样算子及在稠密预测任务中的通用性研究

特征上采样是视觉稠密预测模型中的基础操作。常规上采样算子的设计引入了许多人为的先验，导致在不同类型的稠密预测任务中表现不一。

本次研讨会上，陆昊教授将深入讲解其在近年来提出的IndexNet（ICCV’19、TPAMI’22）、A2U（CVPR’21）、FADE（ECCV’22）、SAPA（NeurIPS’22）四种动态上采样算子，并展示不同算子设计的初衷、理念、原理以及在不同稠密预测任务上的通用性和鲁棒性。这四种算子可用于多数视觉检测和分割模型中，帮助获取更加连续的区域和准确的边缘预测结果。

超集信息解决方案部高级硬件工程师黄晓静：GPU 加速的计算机视觉基础方案建设

计算机视觉已经应用到众多行业中，主要集中于零售、安防、制造、政务、医疗等等。那么计算机视觉是怎样模仿人类视觉，让计算机拥有人类提取、处理、理解、分析图像及测序的能力？又是怎么通过人工智能的解决方法来实现？针对于不同的场景应用做全面的服务?

本次研讨会上，将分享超集信息面向计算机视觉应用的基础方案建设，并结合实际场景讲解计算机视觉的应用实现。最后，也会分享一些计算机视觉成功案例的解决方案。