项目建设
您现在的位置:首页  > 项目建设

鹏城实验室49篇论文入选计算机视觉顶级会议CVPR 2020

发布时间:2020-06-19  浏览次数:1331 次

期待已久的计算机视觉和模式识别领域的「奥斯卡」CVPR 2020 开幕式暨颁奖仪式正式线上举行,鹏城实验室49篇论文入选,贡献论文数在全国科研机构和高校排名第四

6月19日计算机视觉领域内最负盛名的学术会议CVPR 2020顺利闭幕。本届大会,计算机视觉和模式识别领域专家学者共计提交论文6424篇,其中有效论文5865篇,大会最终接收 1467 篇,接收率仅为22%。在如此激烈角逐下,获奖的论文能脱颖而出,足以体现论文的含金量之高。大会论文分布于30多个现代研究领域,包括机器学习框架、可扩展AI等,其中机器人和迁移学习受到关注。

鹏城实验室今年共有49篇论文被CVPR 2020录用,比去年增加14篇,其中人工智能研究中心贡献了41篇,占84%。据初步统计,在中国的科研机构和高校中论文贡献数排名前三的是中科院大学、清华大学、北京大学,鹏城实验室贡献论文数仅次于北京大学,排名第四。从录取论文作者来看,华人学者的贡献在此届CVPR确实是熠熠生辉,鹏城实验室人工智能研究中心双聘研究员施柏鑫、纪荣嵘分列华人作者排名的4、5位,分别有12、11篇论文入选。

纪荣嵘老师团队入选CVPR的Oral论文《HRank: Filter Pruning using High-Rank Feature Map》提出了一种新的基于高秩特征图的滤波器剪枝方法(HRank)。在不引入任何附加约束的情况下,与其他精度相似的现有算法相比,HRank 在浮点计算量和参数量上有了显著减少。这个基于属性重要性的滤波器剪枝方法不需要引入额外的辅助约束或重新训练模型,简化了剪枝的复杂性。通过实验和定量观察,研究者发现无论 CNN 接受多少数据,由单个滤波器生成的特征图的平均秩总是相同的。结果表明,利用数据集中的一小部分图像,就可以准确、高效地估计出 CNN 中特征图的秩。其主要贡献有三点:

(1)实验表明,由单个滤波器生成的特征图的平均秩几乎不变;

(2)从数学上证明了低秩特征图所对应的滤波器信息量较小,因此对保持模型精度作用较小,可以优先剪去;

(3)展示了 HRank 在模型压缩和加速方面的高效和有效性。

在纪荣嵘老师团队的另外一篇Oral论文《Multi-task Collaborative Network for Joint Referring Expression Comprehension and Segmentation》中首次提出单阶段的协同学习网络来同时解决指向性目标检测REC(Referring Expression Comprehension)和指向性目标分割RES(Referring Expression Segmentation)两个任务,而且在性能超越了 SOTAs 的条件下,达到了实时检测和协同检测的目的。RES 和 REC 是 language+vision 任务中的一个重要分支,包括另外一些多模态任务在内,过去大家都非常青睐于 FRCNN 的特征,直觉上它可能会表现更好,但很多的事实表明它具有一些劣势并且性能上不会优于 Grid 特征。因此 single-stage 可能会成为一个趋势。除此之外,很多多模态任务之间都有着千丝万缕的关系,如何求同存异可能会是比 bert 这一类预训练模型更值得研究的方向。这两点同时也是本文的两个非常重要的支撑点,也可能是未来进一步发展的方向。

施柏鑫团队入选CVPR的Oral论文《AdderNet:Do we really need multiplications in deep learning?》通过研究全精度梯度开发了一种特殊的加法器反向传播方法,然后根据每个神经元梯度的大小,提出了一种自适应学习速率策略来增强加法器的训练过程。采用这种加法器网络(adder networks,AdderNets)来交换深层神经网络中的大量乘法,特别是卷积神经网络(CNNs),可以获得更便宜的加法来降低计算成本。结果表明,在ImageNet数据集上使用ResNet-50,在卷积层不进行任何乘法运算的情况下,所提出的加法器可以达到74.9%的Top-1精度和91.7%的Top-5精度。这项工作中证明了用加法代替乘法的可行性。

受疫情影响,今年 CVPR 改为线上会议,但依然受到众多研究者的热烈关注。大会的成功举办,再次印证了计算机视觉和模式识别在全球范围内火热的发展状态以及良好的发展前景,也为从业者坚定了继续钻研前进的信心。鹏城实验室将立足于自身优势,以国家人工智能发展的战略规划为契机,抓住历史发展机遇,为我国计算机视觉和模式识别领域贡献更大的力量。

撰稿:人工智能研究中心 邱景飞 孙玉

Copyright 2020 鹏城实验室 All Rights Reserved. 粤ICP备18066427号