From: ECCV; 编译: T.R
为了让好学的你在暑假也能学得开心、学到干货，今年的ECCV上推出了涉及机器学习理论、神经网络训练方法、多种视觉应用和加速方法等涵盖多方面的16场教程，为感兴趣的小伙伴们提供了学习大餐。我“门”也贴心地为你梳理好了这些精彩的教程，期待你能在其中发现自己感兴趣的内容~
①
图像、视频与3D视觉识别
作为视觉领域的核心研究之一，视觉识别一直是学界和业界关注的焦点和热点。这一教程主要关注视觉识别任务中常用的方法和最新进展，并对目标检测和场景理解的最新工作细节进行梳理；同时还将对基于视频的检测和分类、3D目标的识别进行讲解，将为与会者提供全方位的视觉识别理解，包括不同模态的输入、所面临的挑战和未来的发展方向等等。
此外教程中还将提供三套用于图像、视频和3D的视觉识别系统，基于PyTorch的系统包含了详尽的工程实践，帮助研究人员更好地开展研究工作。与往年一样，本次的教程也有很多大牛参与，期待他们分享的真知灼见！https://s9xie.github.io/Tutorials/ECCV2020
②
有限标记数据下的学习方法前沿进展
针对有限的标记数据进行有效学习是研究人员一直希望实现的目标，目前人们已经提出了一些方案，包括利用部分或不完美的标签，来自相关领域、模态和任务的数据 (或是合成数据)。为了解决模型在有限数据下学习的泛化性，零样本、小样本、元学习、任务迁移学习等方法开始被广泛地应用。那么我们不禁要问，下一个可能的方案是什么样的呢？还有没有我们没有发现和探索的子问题呢？计算机视觉其他领域的突破能不能为我们提供新的思路、是否可以应用到新的领域呢？为了探讨这些问题，这一教程将要聚焦于有限数据下进行学习的前沿进展，包括全向 (omni) 监督和deep dreaming等领域的研究，包括神经渲染、自监督-自学习、探索视频表达、3D网格重建等等。
https://nvlabs.github.io/eccv2020-limited-labels-data-tutorial/#sifei
此外，针对数据量较少的情况，本次ECCV还有一个专门聚焦于计算机视觉弱监督问题的教程。这个半天的教程将介绍弱监督目标识别的概览、目前的先进方法及其局限，并展望未来的研究方向和可能的应用。
https://hbilen.github.io/wsl-eccv20.github.io/
另一方面利用相邻领域的数据来进行训练具有域适应性的方法也十分有效。具有域适应性的视觉应用教程将概述视觉域适应方法，并在以下四个方面展开详细的讲解：首先从理论角度来展开域适应的观点；随后讨论和比较不同域适应策略的异同，并综述近年来域适应的发展趋势；接着将讨论非标准域适应情况下的具体例子以及泛化性；最后将对这一领域未来的发展方向进行展望。
https://europe.naverlabs.com/eccv-2020-domain-adaptation-tutorial/
③
深度学习模型的对抗鲁棒性
深度学习虽然性能优异，但依旧会受到对抗样本的攻击，严重的时候会产生错误的结果甚至失效，这对于安全性的影响日益增加。为了探索和研究全周期的深度学习安全防护、包括数据收集、模型训练、模型部署和系统级的漏洞的威胁以及防御机制，本教程针对对抗鲁棒性的三个方面展开研究，包括攻击、防御和验证。本教程为相关研究人员和学生提供了快速了解这一领域的途径，包括足够的背景知识、目前的前沿研究、面对的机遇和挑战等等。教程主要将在对抗鲁棒性的背景、攻击方法、防御方法、验证方法、应用和开放问题等方面展开。
https://sites.google.com/umich.edu/eccv-2020-adv-robustness
④
自动深度学习
研究人员在优化超参数和调整模型架构上花费了大量时间。为了简化深度学习开发使研究人员更加专注于创新，自动机器学习的方法应运而生。这一教程将介绍如何设计超参数范围与可能的网络架构组合，指导计算机自动学习出最优化的网络结构。本教程将涵盖自动机器学习中的重要概念以及在计算机视觉中的应用。http://hangzhang.org/ECCV2020/
⑤
声明式深度学习
Deep Declarative Networks这一概念来源于程序设计领域，与命令式编程不同，声明式编程定义了计算机需要完成的任务而不是行为。同样，在神经网络中，传统的方法直接明确定义了每一层的功能，而深度声明网络则直接定义了网络的行为。在没有算法先验知识的情况下，优化问题的梯度也能直接在给定输入和参数的情况下计算出来，使得高效的方向传播与端到端学习成为可能。这一教程将介绍深度声明网络及其变体，并讨论可微分优化背后的理论，开发模型和应用时需要面对的技术问题。教程主题将围绕下面四个方面进行：声明端到端的可学习处理节点、可差分凸优化问题、声明节点应用于计算机视觉、实现技术和调整等等。https://anucvml.github.io/ddn-eccvt2020/⑥
加速深度学习
为了提升深度学习的速度，研究人员提出了各种不同的策略。在AMP教程中，研究人员将介绍如何使用半精度浮点数表示来减少大型深度学习模型时的内存开销提升训练速度，教程将详尽分析目前可用的软件包，可以便捷地将模型转换为混合精度，同时还会分享一系列工程技巧、注意事项等等。
https://nvlabs.github.io/eccv2020-mixed-precision-tutorial/
针对边缘嵌入式硬件的加速，还有另一个专门的教程提供了针对1D、2D、3D卷积的加速方法，从线性和循环卷积开始介绍，并阐释从数学上解决一致性问题，随后介绍了通过FFT和基于块的方法来实现高速卷积。
其中一维卷积算法主要适用于信号处理，快速2D/3D卷积算法则主要用于图像三维应用，主要包括线性和循环2D卷积、2D离散傅里叶变换、2D快速傅里叶变换、Winograd算法等等。
http://icarus.csd.auth.gr/eccv2020-tutorial/
⑦
计算机视觉应用
在计算机视觉应用方面，本次教程主要包括了高动态范围、深度估计、流、图像描述子与匹配、医学图像处理和硬件应用研究等方面。
首先是介绍高动态范围的教程，主要涵盖了过去二十年来的发展历史、主要成就和进展以及目前方法的局限和未来的挑战：
http://casiraghi.di.unimi.it/ECCV2020/Rizzi-ECCV2020-HDR.html随后是基于深度网络的室外环境深度估计方法，主要由来自意大利博洛尼亚大学和美国斯蒂文斯理工学院的研究团队进行组织和分享：https://sites.google.com/view/eccv-2020-robust-depth
此外还包括针对图像局域描述子和匹配的相关方法介绍：
http://www.math.unipa.it/fbellavia/web/index.php?id=eccv2020-tutorial
针对医学图像领域如火如荼的发展，本次教程专门举办了针对医学影像应用的深度学习教程。为了解决持续持续增长的医学影像需求，充分利用人工智能的优秀能力辅助有限的医护人员进行诊断护理，深度学习在医学影像中发挥着越来越重要的作用。在本教程中将对医学影像分析领域进行综述，并详细介绍不同类型医学影像仪器的工作方式及用途，同时分享如何将技术应用于这些真实场景的需求中。教程主要将在以下几个方面展开：医学影像介绍、临床与AI的相互融合、深度学习在医学影像分析领域的挑战、对患者的影响、多模态数据处理以及面临的机会与挑战等等。https://sites.google.com/view/cv4mi-eccv-2020-tutorial
此外针对VR/AR以及相关的视觉研究领域，微软举办的HoloLens开发研究教程为研究人员们提供了如何使用研究模型和SDK的详细指导，包括访问imu数据、头部跟踪、眼球跟踪、深度传感器、以及多个相机的内外参数应用。还包括如何通过开源SDK对多台相机进行校准和同步，并展示了在不同案例上的应用。https://www.microsoft.com/en-us/research/event/hololens-2-kinect-for-azure-as-tools-for-computer-vision-research-tutorial-eccv-2020/
⑧
训练视觉智能体
为了更好的开发3D环境中的视觉算法，研究人员们开始在3D虚拟环境中训练智能体对环境进行感知和自主控制。这一教程将提供一个名为Habitat的平台，在复杂逼真的环境中执行各种任务。教程将介绍这一智能体训练平台的基本功能、仿真基础知识、任务定义和主体训练，以及相关的拓展任务。http://aihabitat.org/tutorial/2020/
不知道好学的你有没有发现自己感兴趣的内容呢？所有的ECCV教程都将在8月23日和8月28日举办，到时候不要错过自己喜爱的内容哦~更多详细信息请参看：
https://eccv2020.eu/tutorials/
关于我“门”
▼
将门是一家以专注于发掘、加速及投资技术驱动型创业公司的新型创投机构，旗下涵盖将门创新服务、将门技术社群以及将门创投基金。将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。
将门创新服务专注于使创新的技术落地于真正的应用场景，激活和实现全新的商业价值，服务于行业领先企业和技术创新型创业公司。
将门技术社群专注于帮助技术创新型的创业公司提供来自产、学、研、创领域的核心技术专家的技术分享和学习内容，使创新成为持续的核心竞争力。
将门创投基金专注于投资通过技术创新激活商业场景，实现商业价值的初创企业，关注技术领域包括机器智能、物联网、自然人机交互、企业计算。在近四年的时间里，将门创投基金已经投资了包括量化派、码隆科技、禾赛科技、宽拓科技、杉数科技、迪英加科技等数十家具有高成长潜力的技术型创业公司。
如果您是技术领域的初创企业，不仅想获得投资，还希望获得一系列持续性、有价值的投后服务，欢迎发送或者推荐项目给我“门”: bp@thejiangmen.com
将门创投
让创新获得认可！
微信：thejiangmen
bp@thejiangmen.com