【活动通知】SFFAI104×CRIPAC 目标检测专题

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。

会议内容

会议简介

特征金字塔（Feature Pyramid Networks, FPN）是一种利用常规CNN模型来高效提取图片中各维度特征的方法，可以用于解决识别尺寸差异很大的物体的问题。它对每一种尺度的图像进行特征提取，能够产生多尺度的特征表示，并且所有等级的特征图都具有较强的语义信息，甚至包括一些高分辨率的特征图。本期我们邀请到了来自旷视的杨同，详细阐释为何FPN能够成功。

讲者介绍

杨同，北京旷视科技有限公司basemodel组研究员，主要研究方向为通用物体检测，目前在 NeurIPS、CVPR、AAAI等会议上发表论文6篇。

会议题目

You Only Look One-level Feature

会议摘要

目前，FPN是通用物体检测的一个重要组件，有效提升了物体检测的性能。但是，现有工作都是基于两阶段方法中对FPN的理解，认为FPN的主要作用是不同层级的特征融合。而对于单阶段检测方法中，却很少有工作深入分析FPN成功的原因。本文从优化角度对FPN进行了分解，指出分治思想是FPN在单阶段检测中成功的至关重要的因素。然而，在单阶段检测中，FPN带来的在多层级特征上检测的范式，大大增大了模型的计算量与减慢了模型推理速度。考虑到FPN带来的副作用，我们提出一种不同于原先多层级特征检测的方法: YOLOF，该方法采用基于单个层级特征(C5)的检测模式。它包括两个模块: 多尺度编码器(Dilated Encoder)和一致性匹配策略(Uniform Matching)。该模型在COCO数据集上的性能可以达到基于FPN的检测模型并且推理速度更快。与DETR相比，YOLOF可以在1/7的训练轮数下达到差不多一致的性能。除此之外，相对YOLOv4，YOLOF(60FPS)可以达到44.3 mAP，在精度和速度上超过YOLOv4。

会议亮点

1、不同于FPN现有认知: 多层级特征融合是FPN的关键，本文指出FPN中的分治思想是单阶段检测模型成功的因素；

2、本文提出了一种基于单个层级特征(C5) 的单阶段检测模型。该模型可以达到基于FPN的检测模型的性能但是推理速度更快；

3、本文为通用物体检测提供了一个新方向: 如何充分挖掘单个层级特征的表示能力。

直播时间

2021年4月25日（周日）20:00—21:00 线上直播

关注本公众号，对话框回复“SFFAI104”，获取入群二维码

注：直播地址会分享在交流群内

论文推荐

“SFFAI104期来自旷视的杨同推荐的文章主要关注于计算机视觉的目标检测领域，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"SFFAI104"获取本主题精选论文

01

推荐理由：这篇论文对目前通用物体检测领域所用到的模块和技术有一个综述性的概括。同时，它在追求速度的同时在精度上达到了state-of-the-art的性能。

02

推荐理由：这篇论文基于YOLOv4从网络结构角度出发提出了3种不同大小的通用物体检测模型，均达到了实时高精度，有很好的实用价值。

03

推荐理由：这篇论文提出了一种端到端的通用物体检测模型。它摒弃了人为设计(Anchor、NMS等)，提供了一个通用检测的新思路。

04

推荐理由：这是一篇经典通用物体检测文章。它提出了FPN，极大解决了如何检测小物体的问题，提升了检测模型的整体性能。

05

推荐理由：这篇论文是单阶段物体检测的经典。它提出了Focal Loss，解决了单阶段物体检测中正负样本不均衡的现象。

06

推荐理由：这是一篇经典的物体检测文章。它定义了一种物体检测的方法: anchor-free method，为物体检测提供了新思路。

SFFAI招募！

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。

SFFAI历史活动

更多SFFAI历史活动

请点击文章底部“阅读原文”查看

分享、点赞、在看，给个三连击呗！