鹏城实验室人工智能研究中心在国际顶级会议CVPR2019中录用30余篇文章
时间:2019-04-20 点击:3190

鹏城实验室人工智能研究中心在国际顶级会议CVPR2019中喜获大丰收,共30余篇论文被录用。人工智能研究中心CVPR2019录取的论文在以下领域实现了创新性突破:医学影像微小病灶检测、细粒度图像分类、基于弱监督的显著性检测、图像与自然语言的综合理解,统计理论与深度学习相结合,采用“异常检测”新思路准确检测医学图像中富于变化的弱信号等前沿技术。这些全球领先的计算机视觉算法显示了人工智能研究中心在计算机视觉领域强大的核心人才储备、科研文化底蕴和技术创新能力。今年鹏城实验室的山世光和周少华两位老师成为了该会议的领域主席(area chair)。

CVPR全称IEEE International Conference on Computer Vision and Pattern Recognition,即IEEE国际计算机视觉与模式识别会议,其与ICCV和ECCV并列为世界级计算机视觉领域三大会议。CVPR一年一度的计算机视觉和模式识别领域盛会,其录取论文代表了计算机视觉领域在当年最新和最高的科技水平,并引领了未来发展潮流。在中国计算机学会推荐国际学术会议的排名中,CVPR被认定为人工智能领域的A类会议。CVPR 官网显示,CVPR2019一共收到5165篇有效投递论文,比去年CVPR2018增加了56%,录取1299篇论文,比去年增长了 32%(2018 年录取 979 篇),2019年的录用率为25%。

为更好的促进实验室的交流学习,后续将会陆续针对录取的论文分期进行摘要总结,供有兴趣的老师学习了解。

代表论文摘要:

1.Exploring Context and Visual Pattern of Relationship for Scene Graph Generation【探索上下文和视觉模式的关系及其在场景图生成中的应用】

本文由山世光研究员团队主导完成。为了解决场景图中物体之间的关系问题,他们将关系视为一个抽象的对象,探索了物体识别中的两个关键要素,即视觉模式和上下文信息的重要性。通过对当前的数据集进行观察,发现物体之间的亲密联系。因此,受上下文关系在物体识别中成功应用的启发,他们专门构造了物体之间的上下文关系,通过收集图中物体之间的这些关联属性,可以辅助构造物体之间的内在联系。此外,准确的物体识别需要物体中区分能力强的视觉模式,对于物体的关系属性而言,这些区分能力强的视觉模式同样重要。为了发现物体关系的视觉模式,他们提出了一个新的交互区域特征,可以聚焦于物体上更加有效的模式,从而取代传统的关系属性特征提取方法,例如采用一致区域或者主客观特征对的方法。

2.Cyclic Guidance for Weakly Supervised Joint Detection and Segmentation【基于循环指导的弱联合检测和分割】

本文由纪荣嵘教授团队主导完成。他们首次提出使用多任务学习机制联合弱检测和分割任务,并基于两个任务各自的互补失败模式来改进对方。这种交叉任务的增强使得两个任务更能逃离局部最小值。他们的方法WS-JDS有两个分支并共享同一个骨干模型,分别对应两个任务。在学习过程中,他们提出循环指导范式和特定的损失函数来改进双方。实验结果表明该算法取得了的性能提升。

3.Weakly Supervised Complementary Parts Models for Fine-Grained Image Classification from the Bottom Up【为自底向上细粒度图像分类服务的弱监督互补部件模型】

本文由王亦洲教授团队主导完成。提出了一种新颖且有效的框架—弱监督互补部件模型,来完成细粒度图像分类任务。他们首先通过基于弱监督学习的物体检测和实例分割提取粗糙的物体实例,然后在尽可能保持多样性的原则下,对每个物体实例的最佳组成部件进行估计和搜索。实验表明本文提出的框架在一些常用细粒度图像分类的公开标准测试集上,大幅度地超越了当前最先进的算法。