SFFAI 56 X CRIPAC报名通知 | 目标检测专场
由于特殊时期,SFFAI出于对大众健康的优先考虑,以及致力于为大众提供更高效、更便捷的参会体验,现已将SFFAI56期论坛改为线上形式。
SFFAI 合作机构 CRIPAC 简介
智能感知与计算研究中心(www.cripac.ia.ac.cn)为中科院自动化研究所独立建制的科研部门,致力于研究泛在智能感知理论与技术以及与之相伴的海量感知数据的智能分析与处理。瞄准国际学科前沿,面向国家公共安全、智能产业发展等重大战略需求,着眼于基础理论创新与关键技术突破以及系统解决方案的研制,努力打造成为国际一流的研究中心,是集人才培养、技术创新、产业孵化为一体的创新平台。中心目前主要在多模态智能计算、生物识别与安全、生物启发的智能计算、智能感知基础理论四个方面展开科学研究。
论坛主题
目标检测专场
主题简介
目标检测作为计算机视觉的经典任务之一,一直受到学术界和工业界的广泛关注。随着研究的深入,大尺度图像中微小目标检测等子问题,以及当前的检测算法固有的方法缺陷等问题,也得到更多的研究。本期论坛我们围绕以上问题,邀请了两位学者分享他们分别发表在WACV2020和CVPR2020上的新工作。
论坛讲者
柯炜
柯炜,西安交通大学特聘研究员,博士生导师。此前于2011年获得北京航空航天大学学士学位。于2018年获得中国科学院大学博士学位,导师为叶齐祥教授。2015年至2016年在芬兰奥卢大学进行博士生联合培养,2017年至2018年于微软亚研院实习,2018年至2020年在卡耐基梅隆大学任博士后研究员。主要研究兴趣为视觉目标感知和智能视频分析。已发表论文20余篇,其中CVPR、ECCV等顶会和T-NNLS,T-ITS等汇刊论文8篇。
报告题目:基于多锚点学习的目标检测方法
报告摘要:分类和定位是目标检测器的两个主要优化目标。在基于卷积神经网络的检测器中,这两个目标通常是在一组固定的候选框或者锚点上进行优化,获取位置偏差和分类置信度。位置预测准确的锚点置信度不一定高,而置信度最大的锚点位置又不一定准确。这种方式很难真正地对分类和定位进行联合优化。本次报告将介绍发表于CVPR2020上的工作,多锚点学习(Multiple Anchor Learning,MAL),采用一种多实例学习方法来选择锚点并对单阶段目标检测器RetinaNet的两个模块进行联合优化。MAL通过构建锚点袋,并在其中选择最具有代表性的锚点进行网络参数优化。与此同时,采用对抗性选择-抑制的方式,通过扰动锚点的相应特征来压制锚点的置信度,以此增强分类器的鲁棒性。MS-COCO目标检测数据集上的实验表明,MAL在不同基网络的RetinaNet上均有显著的提升,获得了较好的检测结果。
Spotlight:
提出多锚点学习的方式联合优化目标检测中的分类问题和定位问题;
采用对抗性选择-抑制的方式防止训练过程中陷入局部最优;
MS-COCO目标检测数据集上的实验表明,MAL在不同基网络的RetinaNet上均有显著的提升,获得了较好的检测结果。
余学辉
余学辉,中国科学院电子电气与通信工程学院在读博士生,2017年本科毕业于天津大学。主要研究兴趣为弱小目标检测,曾在WACV发表一作论文。
报告题目:弱小目标检测简述与一个弱小人体目标检测Benchmark-TinyPerson
报告摘要:随着深卷积神经网络的兴起,视觉目标检测取得了前所未有的进展。然而,在大尺度图像中检测微小物体(例如小于20x20像素的微小物体)的研究仍不充分。极小的物体对特征表示提出了巨大的挑战,而庞大而复杂的背景聚集了误报的风险。本次报告介绍我们最近做的一个新的工作,一个新的针对弱小人体目标检测的benchamrk:TinyPerson,它为远距离、多背景下的微小目标检测开辟了一个有前途的方向。此外实验发现,网络预训练数据集与检测器学习数据集之间的尺度分布不匹配会影响特征表示和检测器的性能。因此,我们又提出了一种简单而有效的尺度匹配方法来调整预训练数据集的目标尺度分布,以获得更好的初始化。即使如此,TinyPerson在现实场景中仍然具有很大的挑战性,该benchmark将在最近进行公开(https://github.com/ucas-vg/TinyBenchmark )。本次报告有以下几个主要内容,一是对当前弱小目标检测的研究进行简述,二是介绍TinyPerson,一个针对弱小人体目标检测的benchmark,三是介绍Scale Match,一个简单有效的预训练技巧。
Spotlight:
对当前弱小目标检测的研究进行简述;
介绍TinyPerson,一个针对弱小人体目标检测的benchmark;
介绍Scale Match,一个简单有效的预训练技巧。
召集人
刘畅
刘畅 ,中国科学院大学,模式识别于智能系统开发实验室在读博士生,导师为叶齐祥教授,研究方向为深度特征表示学习,曾在CVPR、ECCV、AAAI等发表一作论文。
论文推荐
“ 本期推荐的文章主要关注于目标检测,你可以认真阅读讲者推荐的论文,来与讲者及同行线上交流哦。”
关注文章公众号
回复"SFFAI56论文"获取本主题精选论文
推荐理由:何凯明发表于ECCV2014和PAMI2015的工作,RoIPooling的来源。这篇文章中给出的spatial pyramid pooling灵感来自于spatial pyramid matching(‘Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories’, CVPR2006)。炼丹不仅仅是调参,还有对传统计算机视觉的思考。
—— 柯炜
推荐理由:Du Tran对于视频特征提取的系列文章,从时空3D卷积的C3D到加速版本R(2+1)D,再到更加快速的CSN。这种出自同一一作的系列文章很多,值得去学习作者怎么一步步优化改进自己的方法。
—— 柯炜
推荐理由:这三篇文章在Anchor设置和匹配策略(label定义),特征融合,结合超分辨率多个方面进行处理,基本包含了弱小目标检测的主要技巧,另一方面也说明弱小人体目标检测到现在仍没有更加有效的方法更新。
—— 余学辉
推荐理由:现阶段目标检测领域里通用目标检测、人脸检测、行人检测等任务都有较完善的Benchmark,但弱小目标检测仍缺少这样一个平台,本文就是引出了一个弱小人体目标检测平台TinyPerson,以及一个偏工程的方法提升弱小目标检测的实验性能。
—— 余学辉
报名须知
会议时间
2020年3月22日(周日)
20:00 -- 21:30
报名方式
公众号二维码
请同学们扫码关注本公众号,对话框回复“SFFAI”,获取入群二维码。
SFFAI的介绍
历史文章推荐
王玫:自然环境下的多种族人脸:利用信息最大化自适应网络去减少种族偏差
傅朝友:Domain-Aware Diverse Face Manipulation
申磊:多轮对话中的上下文信息建模
方杰民:Recent Advances and Highlights of NAS
张志鹏:SiamDW Real-Time Visual Tracking
周龙:同步双向文本生成
王亦宁:Multilingual Neural Machine Translation
常建龙:基于关系的深
呼奋宇:深度层次化图卷积神经网络
崔泽宇:套装搭配推荐在图神经网络上的应用
张文:Recent Advances in NMT