<mark id="oztn4"></mark>
0
8月12日下午，由雷鋒網主辦的“GAIR大講堂CVPR 上海交大專場”在上海交通大學正式開幕。作為雷鋒網旗下高端學術分享品牌，「GAIR大講堂」的使命是通過舉辦高頻次的線下校園學術分享活動，實現學術專家、AI業者與學校同學們之間的深度交流。本次活動，雷鋒網特地邀請5位CVPR 2017前方論文講者來講解各自的論文，同時分享CVPR 的參會心得。活動現場當天還有三位上海交通大學的教授前來助陣，他們分別是電子信息與電氣工程學院（下稱“電院”）副院長楊小康教授、電院特別研究員，博士生導師倪冰冰老師以及電院副研究員徐奕老師，他們紛紛前來為同學們的學術熱情點贊加油。AI科技評論作為此次活動的合作媒體，亦全程到現場參與報道。
五位學術青年分別是：
MIT EECS系三年級博士生 吳佳俊
阿里巴巴人工智能實驗室資深算法工程師 汪洋
上海交通大學研究生 楊蕊
上海交通大學研究生 林天威
上海交通大學博士生 王敏思
本次活動主要以CVPR 2017入選論文為主題分享，也有部分嘉賓準備了一些在別的國際學術會議中入選的論文做講解分享。下面就讓AI科技評論記者帶大家看看他們都做了哪些內容分享。
活動開始，首先是上海交通大學電子信息與電氣工程學院副院長楊小康教授做致辭。楊小康教授先是對GAIR大講堂走進高校系列活動表達了非常高的贊許和肯定。當談到CVPR時，他說道：CVPR目前不光是在CS領域比較火，而是在整個學術界的影響力都非常大，論文要入選CVPR會議，非常難。針對目前AI全球蔓延的火熱趨勢，楊小康教授告誡同學們，除了認真做好學術，抓住這一時代機遇外，還要擋得住外界誘惑，冷靜思考。
吳佳俊分享了一篇作者并非他本人但內容非常有意思的論文， A Point Set Generation Network for 3D Object Reconstruction from a Single Image（用于從單張圖像中重建三維物體的點云生成網絡）
深度神經網絡非常火，但是深度神經網絡很多時候是做卷積神經網絡，怎么用深度神經網絡從單張圖片中恢復重建三維物體，是個難題。圖像是像素，在圖片上可以做到400*800，800*600，三維卻很難超過128*128*128。吳佳俊先從利用單張圖片重建三維物體的難點講起，再到現存的一些方法的弊端。現存的大多數方法都采取常規的三位數據表示，例如三位體素或圖像集合。而在這篇CVPR文章里，作者提出了一種新思路，試圖從單張圖像中直接生成三維點云坐標，并進行三維重建。三維點云具有非常高的靈活性，在物體的細節上表現很好，在細節表現上只需要增加點云的數量即可。論文作者針對問題設計了相應的神經網絡架構，損失函數和學習范式。實驗結果也證明了所提出的方法的良好性能。論文下載地址：https://arxiv.org/pdf/1612.00603.pdf
汪洋代表Ali AI Lab分享了一篇阿里人工智能實驗室入選的論文：Contextual Attention-based Memory Networks for Scene Labeling（上下文注意力機制記憶網絡在場景標記中的應用）
場景標注需要解決的問題是預測圖像每個像素所屬的類別，實際上它可視為一個序列到序列的預測任務。因此，如何充分利用相關上下文信息是提高標注效果的關鍵所在。阿里人工智能實驗室入選的這篇CVPR論文提出了一種Episodic CAMN方法，并在該方法的基礎上定義了一種由全卷積神經網絡（Fully Connected Network，FCN）和帶有反饋連接的注意力機制記憶網絡（Attention-based Memory Network with Feedback Connections）構成的統一框架來實現上下文信息的選擇和調整。在PASCAL Context，SIFT Flow和PASCAL VOC 2011等場景標注數據集上進行一系列評測，取得了不錯的效果。
楊蕊同學分享的是今年她作為第一作者入選CVPR 2017的論文：Video Segmentation via Multiple Granularity Analysis（基于多粒度分析的視頻分割），她在活動上介紹自己很多靈感都是來源于吳佳俊同學發表的論文，并且針對論文內容的細節問題，兩人還做了一定的探討。
楊蕊從視頻目標分割的定義開始講解，視頻目標分割是講視頻中的目標物體在每一幀中從背景中沿物體輪廓進行像素級別分割，采用一個多粒度框架可以通過從粗到細的方式對視頻進行精準分割。本質是圖像分割與視頻跟蹤任務的結合。視頻分割可以被理解為一個時序上的超像素打標過程，在精準的視頻跟蹤技術的幫助下，時空上的多實例學習算法可以將超像素進行二分類，并緊接著用圖割的方式在像素級別進行細化，最終實現準確的分割。同時她也講了視頻目標分割傳統方法，以及新方法遇到的挑戰，比如視頻模糊，有遮擋，形變，和光照等因素影響。
林天威分享的是一篇投稿在ACM Multimedia 2017的論文：Single Shot Temporal Action Detection（基于時序卷積網絡的視頻動作檢測方法），并且利用該論文中提到的方法獲得CVPR舉辦的ActivityNet Challenge 2017兩項冠軍。
林天威首先對視頻分類和圖像分類做了一個大致的對比。圖像中分類的目的是給圖片標簽，不僅要給出目標種類，還要給出目標位置。而視頻分類要給一段短的視頻片段進行動作分析，也就是時序動作檢測問題。實際中一個視頻通常很長，論文中研究的動作只是一個很小的片段，一個小片段也可能會包含很多動作片段，因此希望能檢測出不僅包含動作的種類，也包含動作的開始和結束時間。評估的過程中不僅要看預測的動作種類是否正確，還要比較預測動作片段與真實片段之間的重疊比例。只有重疊比例高于一定的預值，才認為這個預測是正確的。
總結來說，時序行為檢測是要在視頻序列中確定動作發生的時間區間（包括開始時間與結束時間）以及動作的類別。與其關系緊密的一個領域是基于圖像的物體檢測（object detection），物體檢測是檢測物體在圖像中的位置，包括長和寬兩個維度，而時序行為檢測則只需要確定時間維度上動作的位置。
王敏思分享是他今年投稿在CVPR 2017上的論文：Recurrent Modeling of Interaction Context for Collective Activity Recognition（對人體之間的交互進行遞歸建模來進行群體行為識別）
王敏思對群體行為進行了一個通俗定義，需要大于等于兩個人共同完成的行為模式稱為群體行為。群體行為識別是為了判斷場景中整個人群的行為。群體行為通常包括多個層次的互動信息（Interaction Context），包括單個人的運動信息，局部群組內人與人的互動信息，以及局部組群與組群之間的互動信息。針對此現象，論文提出了一個基于多層次遞歸神經網絡的群體行為識別算法，該算法在每個層次的互動信息建模中，使用LSTM節點，低級層次的信息會聚后作為高級層次的信息節點輸入，主要分為person-level，group-level, scene-level三個不同層次的LSTM。最終通過多層次的LSTM結構，實現跨層次的群體行為識別。該方法在群體行為數據庫Collective-Activity獲得了目前很好的識別精度。
活動時間雖安排在暑假，且又趕上周末，但來現場聽論文分享的同學依然不少。很多都是從附近高校，比如上海理工，復旦大學專程趕過來。也有一些知名互聯網公司的技術人員利用周末時間趕來學習。現場的提問環節也得到了大家的熱烈響應。
GAIR大講堂走進高校系列活動還會繼續舉辦，下一站哈工大深圳專場將于8月26日下午在哈工大深研院舉辦。AI科技評論記者也會繼續為大家報道嘉賓分享的干貨，以及活動現場的一些情況。如果你恰巧就在活動的舉辦地城市或附近，不妨親自來聽一場，相信你一定會從中有所收獲。目前“GAIR大講堂-CVPR哈工大深圳專場”活動已經開啟報名，歡迎大家報名參加。
活動地址：http://www.zaocj.com/activity/view/id/3
本場活動直播回放地址：http://www.mooc.ai/course/151/lesson/list
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
