<mark id="oztn4"></mark>
0
| 本文作者： 汪思穎 | 2018-09-11 19:25 |
雷鋒網 AI 科技評論消息，9 月 8 日-14 日，2018 歐洲計算機視覺大會（ECCV 2018）在德國慕尼黑召開，ECCV 每兩年舉辦一次，與 CVPR、ICCV 共稱為計算機視覺領域三大頂級學術會議，每年錄用論文約 300 篇。根據 ECCV 2018 宣布的最終結果，商湯科技及聯合實驗室共有 37 篇論文入選，主要集中在以下領域：大規模人臉與人體識別、物體檢測與跟蹤、自動駕駛場景理解與分析、視頻分析、3D 視覺、底層視覺算法、視覺與自然語言的綜合理解等。此外，商湯科技在 2018 年 COCO 比賽物體檢測（Detection）項目中奪得冠軍，開源 mm-detection 檢測庫。憑借以上事項，商湯科技在雷鋒網旗下學術頻道 AI 科技評論數據庫產品「AI 影響因子」中有相應加分。
在商湯入選 ECCV 2018 論文《人臉識別的瓶頸在于數據集噪聲（The Devil of Face Recognition is in the Noise）》中，對于現有人臉數據集中的標簽噪聲問題進行了深入研究，對 MegaFace 和 MS-Celeb-1M 數據集中的噪聲特性和來源做了全面的分析，發現干凈子集對于提高人臉識別精度效果顯著。
在入選論文《量化模仿-訓練面向物體檢測的極小 CNN 模型（Quantization Mimic: Towards Very Tiny CNN for Object Detection）》中，提出了一種簡單而通用的框架—量化模仿，來訓練面向物體檢測任務的極小 CNN 模型。作者提出聯合模仿與量化的方法來減小物體檢測 CNN 模型的參數量實現加速。在有限計算量的限制下，該框架在 Pascal VOC 和 WIDER Face 數據集的物體檢測性能均超越了當前物體檢測的先進水平。
在 2018 年的 COCO 比賽中，商湯科技研究員和香港中文大學-商湯聯合實驗室同學組成的團隊在物體檢測（Detection）項目中奪得冠軍。在此次競賽中，商湯團隊開發了如下三項全新技術，獲得了大幅度的性能提升：
（1）新的多任務混合級聯架構（hybrid cascade）。通過把不同子任務進行逐級混合，這種新架構有效地改善了整個檢測過程中的信息流動。
（2）通過特征導引產生稀疏錨點，而不是使用傳統的規則分布的密集錨點。這種特征導引的方案使得錨點的投放更為精準，平均召回率提升了超過10個百分點。
（3）采用一種新型的FishNet網絡結構，它有效地保留和修正多個尺度的信息，能更有效地用于圖像級，區域級，以及像素級預測任務。
在 test-dev 上，商湯團隊對上述框架進行了全面測試，其中單模型和多模型（最終提交的結果來自于五個模型混合的框架）的 mask AP 分別達到了 47.4% 和 49.0%，比去年冠軍（也是商湯團隊獲得）的結果（44.0% 和 46.3%）有約 3 個百分點的明顯提高。在傳統的基于檢測框的指標 bbox AP 上，這個新的框架也分別達到了單模型 54.1% 和多模型的 56.0% 的性能，比去年冠軍的結果（50.5% 和 52.6%）也有較大的提升。
此外，在 ECCV 期間，香港中文大學-商湯聯合實驗室還開源了檢測庫 mm-detection（https://github.com/open-mmlab/mmdetection），這個開源庫提供了已公開發表的多種視覺檢測核心模塊，通過這些模塊的組合，可以迅速搭建出各種著名的檢測框架，比如 Faster RCNN，Mask RCNN 和 R-FCN 等，以及各種新型框架，從而大大加快檢測技術研究的效率。
