《益气陈珏上汤科技》入选CVPR 2018年44篇论文

《益气陈珏上汤科技》入选CVPR 2018年44篇论文发布时间：2020-03-24

IEEE CVPR 2018 (IEEE国际计算机视觉和模式识别会议)将于6月在盐湖城举行。来自世界各地的总共979篇论文将被接纳参加这次会议。CVPR是计算机视觉领域最高水平的研究会议，其录取论文代表了2018年计算机视觉领域最新、最高水平的科学技术和未来发展趋势。

CVPR官方网站显示，今年提交了3300多篇会议论文，979篇论文被录取，比去年增长了25%(2016年有783篇论文被录取)。这些招生的最新科学研究结果涵盖了计算机视觉领域的所有前沿工作。2018年中国国际工业博览会包括21个教程和48个研讨会，来自世界各地的115家企业将参加今年的CVPR工业展览会。

本次CVPR会议共接受了来自上汤科技、香港中文大学-上汤科技联合实验室等上汤科技联合实验室的44篇论文，其中包括3篇口头报告论文(接受率仅为62/3300=1.88%)，13篇重点报告论文，接受论文数明显高于2017年中国期刊全文数据库的23篇论文，成绩显著。世界领先的科学研究成果显示了汤在科学、技术、智力和视觉领域的强大人才储备、科研背景和创新能力。

上塘科技2018年招生论文在以下领域取得突破:大规模分布式训练、人体理解和行人再识别、自动驾驶场景理解和分析、底层视觉算法、视觉和自然语言的综合理解、目标检测、识别和跟踪、深度生成模型、视频和行为理解等。这些新颖的计算机视觉算法不仅具有丰富的应用场景，使得更多的智能视觉算法能够应用到日常生活中，而且为后续的研究提供了宝贵的经验和方向。

大规模分布式培训

代表性论文:深度强化学习自动网络结构的口语设计

本文旨在解决深层神经网络结构的自动设计问题。不同于一般的人工结构设计，本文提出了一种通过强化学习自动设计最优网络结构的有效算法。传统的神经网络结构设计通常需要大量的专家知识和试错成本，甚至需要一些灵感。每年只设计几个重要的网络结构。因此，网络结构的人工设计是一项非常困难的任务。最近自动搜索网络结构的算法通常需要巨大的计算资源(数百个图形处理器，近一个月的训练)，并且产生的模型不够便携，不能真正实用。

提出了一种基于强化学习的自动网络结构设计算法。通过“网络块”的设计思想，大大减少了搜索空间，设计的网络具有很强的可移植性。同时，本文采用“早停”和分布式体系结构加快了整个网络结构学习过程，速度比以前的算法(32个GPU，3天训练)快100倍。在实验面上，它生成的网络结构达到并超过了人类在CIFAR数据集上设计的网络结构的精度，并且其结构可以移植到性能良好的大规模ImageNet数据上。

人类理解和行人识别

代表性论文:基于群体一致性约束的口语行人识别

行人再识别是新一代智能安全系统的重要组成部分之一。给定行人图像，行人再识别需要基于同一行人在不同摄像机上的视觉外观对其进行精确匹配和识别。现有的深度学习算法通常使用过于局部的约束损失函数进行行人特征学习，因此不能准确地学习行人图像之间的视觉相似度。针对这一问题，提出了一种新的群一致性约束条件，该约束条件由连续条件随机场建模。将连续条件随机场加入深度神经网络，实现深度模型的端到端训练。实验结果表明，一致性条件可以大大提高训练和测试中最终视觉特征的鲁棒性和区分度，实现高精度的行人识别。

自动驾驶场景理解

代表性论文:

低延迟聚焦视频语义分割

本文主要研究面向自主驾驶场景的视频实时语义分割。尽管近年来图像语义分割取得了很大进展，但是面向视频的语义分割仍然存在挑战。主要困难是:1)视频需要更多的计算；2)许多实时应用(如自动驾驶)需要实现低延迟。

本文致力于解决这两个问题，尽可能保证分割的准确性。在视频分割中，相邻帧之间语义标签的变化相对较小，因此没有必要使用完整的网络来提取每帧的语义标签。基于这种理解，本文提出了一种如图所示的语义分割框架，将整个网络分为高层次和低层次两部分，低层次部分消耗较少的计算量。本文的框架只在关键帧中运行一个完整的网络来提取高级特征用于语义分割，而在其他帧中它传播来自前一个关键帧的特征用于语义分割。相应的框架由两部分组成:1)关键帧调度模块和2)特征跨帧传播模块，它们都基于低层特征执行相应的计算，因此相对完整的网络计算要小得多。同时，为了减少延迟，当当前帧被检测为关键帧时，使用低延迟调度策略。本文提出的方法在两个数据集上验证了该方法的有效性，获得了较低的延迟，并保持了准确的分割精度。

基于单视图的聚光灯立体匹配

用于自动驾驶场景的单目深度估计方法通常使用来自一个视角的图像数据作为输入来直接预测图像中每个像素对应的深度值，这导致现有方法通常需要大量标注有深度信息的数据。最近的研究提出了在训练过程中引入几何约束的改进，但是在测试过程中仍然缺乏明确的几何约束。本文提出将单目深度估计分解为两个子过程，即视图合成过程和双目匹配过程。经过这样的分解，该模型不仅可以在测试阶段明确引入几何约束，而且大大降低了对深度标注数据的依赖。实验表明，在KITTI数据集上，本文提出的方法仅用少量的深度数据就能超越以往的所有方法。单目图像数据首次超越了双目匹配算法块匹配，进一步推动了单目深度估计技术的落地。

底部视觉算法

代表性论文:基于深度增强学习的点通用图像复原

本文提出了一种新的深度学习图像复原方法。现有的复原算法大多只针对某一类图像复原问题，对各种退化图像缺乏普适性。为了解决这个问题，本文提出的RL-Restore算法首先针对不同退化图像训练一系列小神经网络。同时，设计了一个评价图像恢复质量的奖励函数，并利用强化学习算法学习如何合理组合这些小神经网络。针对不同的退化图像，获得不同的恢复算法组件组合，实现复杂退化图像的有效恢复。

视觉和自然语言的综合理解

代表性论文:用于视觉问题回答的点-双视觉问题生成

为了解决开放式可视问答中训练数据太少的问题，提出了一种“可逆问答网络”。该模型可以通过重组不同的模块，使一组模型同时完成“问题回答”和“问题生成”两个交互任务。该模型充分利用了视觉问答和视觉问题产生的双重性，提高了模型在有限训练数据下的效率。该方法利用两个任务同时训练同一个模型，使网络能够更深入地理解问题和图片之间的关系，从而在问题生成和问题回答任务中取得更好的准确性和效果。

人脸识别和人脸分析

代表性论文:

人脸识别之外的海报-人脸分离特征空间学习

本文同时解决了三个问题:人脸识别、属性分类和任意人脸生成。大多数人的人脸特征学习工作通常使网络学习获得一个具有很强身份或属性鉴别能力的特征，可应用于人脸识别、属性分类等任务。或者学习一种具有全局信息的功能，以应用于面部生成和编辑等应用。为什么我们不能学习一个完整的特征空间，使语义信息高度分化，从而实现一个特征可以完成所有的任务？本文提出了一个信息提取和驱逐网络的框架。仅使用身份信息作为监督信息，并学习具有强信息鉴别和全局信息的稠密凸特征空间。在LFW、LFWA、CelebA等数据集上的实验表明，人脸在该特征空间中的投影具有极高的身份和属性识别能力，并且该空间中的任何一点都具有很强的身份和属性语义，能够生成具有该语义的人脸图像。

基于边缘感知的海报人脸关键点定位

提出了一种基于边缘感知的人脸关键点检测算法，将人脸边缘线描述的结构信息融入到关键点检测中，大大提高了算法在大侧面、夸张表情、遮挡、模糊等极端情况下的检测精度。本文主要解决两个主要问题:1 .不同数据集之间人脸关键点的模糊性和定义的不一致性。在本文中，捕捉了人脸中较为常见的边缘线信息，并将其用作从人脸到关键点的中间媒介，使得即使关键点存在差异，不同的数据集仍然可以在训练中相互帮助。2.复杂条件下的关键点检测精度问题。本文通过消息传递结合对抗学习获得高精度的边缘线检测结果，并将边缘线信息集成到多语义层次的关键点检测中，大大提高了算法在复杂情况下的鲁棒性。

此外，本文还提出了一种新的人脸关键点检测数据集widerfaciallandmarksin-the-the-wild(wflw)，该数据集包含10，000个标记了98个点和6个属性的人脸数据，以帮助学术界更有效地评估关键点算法在各种条件下的鲁棒性。

目标检测、识别和跟踪

代表性论文:

基于双候选区域网的聚光灯高性能视觉跟踪

提出了一种基于端到端深度学习框架的高性能单目标跟踪算法。现有的单目标跟踪算法通常难以平衡性能和速度，只能优于一个指标。本文利用暹罗网络和区域提议网络构造了一种高速高精度的单目标跟踪算法。这两个子网络通过卷积运算按比例放大，并在端到端深层神经网络框架中统一。在训练过程中，该算法可以使用带有密集标注和稀疏标注的数据集进行训练。与现有方法相比，稀疏标记数据集极大地增加了训练数据的来源，使得深度神经网络能够得到更充分的训练。区域候选网络中的坐标回归可以使跟踪框架更加精确，并节省多尺度测试所花费的时间。实验结果表明，本文提出的跟踪算法在160帧的速度下，可以达到当前VOT2015和VOT2016数据集的先进水平。

海报快速端到端多角度文本检测与识别方法

本文首次提出了一种端到端的多角度文本检测和识别方法。文本检测和识别是计算机视觉领域的经典问题。过去，文本检测和识别被分别视为两个需要解决的问题。本文提出了一种端到端的文本检测和识别方法，验证了两种任务的互补性。网络培训的联合监管可以使这两项任务达到更好的准确性。由于这两个任务共享一个特征提取网络，其速度大约是文本检测和识别速度的两倍。同时，本文还提出了旋转操作，扩展了旋转对齐的概念，可以应用于旋转物体的检测。本文在几个数据集上超越了现有的方法。

深度生成模型

代表性论文:海报——基于特征装饰的实时零风格迁移

目前，对于图像风格化的实时应用，大多数需要为特定风格的地图设计特定的风格转换模型。如果需要实现任何风格图的迁移，计算复杂度和迁移效果大多无法保证。本文提出了一种实时零点图像风格传递模型，以实现任意风格图像的多尺度高质量风格传递。该方法基于被称为风格修饰器的特征迁移网络结构，并且可以容易地嵌入到图像重建网络中以实现多尺度风格特征迁移。网络结构使得生成的风格化图像能够在风格化图像中完全表达特定的纹理图案，同时保留原始图像中的语义信息。实验表明，该网络对各种类型的风格地图具有较高的风格化能力，可以有效地扩展到多风格迁移和视频风格迁移等应用中。

附录:

商汤科技与商汤科技联合实验室共收到44篇论文，具体如下:

1.3 humanposeeumptionthewildbydversarialearning

未央、宛柳镇、王小龙、王晓刚