點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
昨日，ECCV 2020五項大獎出爐，分別是最佳論文獎、最佳論文提名獎、Koenderink獎、Mark Everingham獎、Demo獎，ImageNet 論文一作鄧嘉獲最佳論文獎。另外，ECCV2020全部論文已開放下載。ECCV2020論文合集下載
ECCV2020論文現(xiàn)已開放下載，地址為：http://www.ecva.net/papers.php為了方便大家學習，極市已經(jīng)將全部論文（共1357篇）下載并打包，在?AI算法與圖像處理?后臺回復?ECCV2020?即可獲取論文打包下載鏈接。下面將介紹本次ECCV2020的五項大獎。（內(nèi)容來源：機器之心）
最佳論文獎
這項研究提出了一種用于光流的新型深度網(wǎng)絡架構——循環(huán)全對場變換（Recurrent All-Pairs Field Transforms，RAFT）。RAFT 提取每個像素（per-pixel）的特征，為所有像素對構建多尺度 4D 相關體（correlation volume），并通過循環(huán)單元迭代地更新流場，循環(huán)單元基于相關體執(zhí)行查找。RAFT 在多個數(shù)據(jù)集上實現(xiàn)了 SOTA 性能：在 KITTI 數(shù)據(jù)集上，RAFT 的 F1-all 誤差是 5.10%，相比先前的最佳結(jié)果（6.10%）減少了 16%；在 Sintel 數(shù)據(jù)集（final pass）上，RAFT 只有 2.855 像素的端點誤差（end-point-error），相比先前的最佳結(jié)果（4.098 像素）減少了 30%。另外，RAFT 具有強大的跨數(shù)據(jù)集泛化能力，并且在推理時間、訓練速度和參數(shù)計數(shù)方面具有很高的效率。4.8M 參數(shù)完整版模型和 1.0M 參數(shù)小模型的網(wǎng)絡架構細節(jié)。最佳論文的第一作者 Zachary Teed 現(xiàn)在普林斯頓讀博，導師為鄧嘉。他的研究興趣是：3D 視頻重建，包括運動恢復結(jié)構（Structure from Motion，SfM）、場景流（Scene Flow）和 SLAM。論文二作是普林斯頓大學計算機科學系助理教授鄧嘉，主要研究方向是計算機視覺和機器學習，目前的研究興趣是：3D 視覺、目標識別、動作識別和自動定理證明。曾獲得 Sloan Research Fellowship、PAMI Mark Everingham Prize、 Yahoo ACE Award、Google Faculty Research Award、ICCV Marr Prize 等獎項。值得一提的是，這并不是鄧嘉第一次獲得 ECCV 的最佳論文獎，2014 年他憑借論文《Large-Scale Object Classification Using Label Relation Graphs》獲得當年的 ECCV 最佳論文獎，并且是該研究的第一作者。除此之外，他還是 ImageNet 論文的第一作者。ImageNet 數(shù)據(jù)集是目前機器學習領域最常用的數(shù)據(jù)集之一，它催生出了極大促進人工智能發(fā)展的 ImageNet 比賽。作為 ImageNet 的一作，鄧嘉為其傾注了許多心血。2019 年，這篇論文獲得了 CVPR PAMI Longuet-Higgins（經(jīng)典論文）獎。鄧嘉在接受機器之心采訪時表示：「這個項目很說明一件事情，當時做 ImageNet 不是最主流的工作，但是我們所有做此項目的人都相信它會有很大的影響，所以我們就花了很大力氣做這個事情。確實，它給我自己的一個啟示是，你不一定要做最流行的事情，但要做自己相信會有影響的事情。」目前，這篇發(fā)表于 2009 年的論文被引用量已超過兩萬。最佳論文榮譽提名獎
大會還公布了最佳論文榮譽提名獎，共有兩篇論文獲得此獎項。論文 1：Towards Streaming Image Understanding具身感知（embodied perception）指自動智能體感知環(huán)境以便做出反應的能力。智能體的響應度很大程度上取決于處理流程的延遲。之前的工作主要涉及延遲和準確率之間的算法權衡，但缺少一種明確的指標來對比不同方法的帕累托最優(yōu)延遲 - 準確率曲線。這篇論文指出標準離線評估和實時應用之間的差異：算法處理完特定圖像幀時，周圍環(huán)境已經(jīng)發(fā)生改變。該研究提出將延遲和準確率協(xié)調(diào)地集成到一個度量指標中，用于實時在線感知，這就是「流準確率」（streaming accuracy）。此外，該研究基于此度量指標提出了一個元基準，它可以系統(tǒng)性地將任意圖像理解任務轉(zhuǎn)換成流圖像理解任務。研究人員主要關注城市視頻流中的目標檢測和實例分割任務，并創(chuàng)建了具備高質(zhì)量、時序稠密標注的新數(shù)據(jù)集。該研究提出的解決方案及其實證分析結(jié)果顯示：在帕累托最優(yōu)延遲 - 準確率曲線上，存在能夠最大化流準確率的最優(yōu)點；
異步跟蹤和未來預測很自然地成為流圖像理解的內(nèi)部表征；
動態(tài)調(diào)度可用于克服時間混疊（temporal aliasing），得到一個吊詭的結(jié)果：什么都不做可能使延遲最小化。
論文 2：NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis該研究提出了一種在合成復雜場景新視圖任務中實現(xiàn) SOTA 結(jié)果的新方法，該方法通過使用稀疏的輸入視圖集來優(yōu)化基礎的連續(xù)體場景函數(shù)。該算法使用全連接深度網(wǎng)絡表示場景，其輸入為單個連續(xù) 5D 坐標（空間位置 (x, y, z) 和視角方向 (θ, φ)），輸出為體積密度和在此空間位置上的視圖相關 emitted radiance。該研究通過查詢沿著攝像頭光線的 5D 坐標來合成視圖，并使用經(jīng)典的體渲染技術將輸出顏色和密度投影到圖像中。由于體渲染本身是可微的，因此優(yōu)化表征所需的唯一輸入是一組具備已知攝像機位姿的圖像。研究者介紹了如何高效優(yōu)化神經(jīng)輻射場（neural radiance field），渲染出逼真的具備復雜幾何形狀和外觀的場景新視圖，而且其在神經(jīng)渲染和視圖合成方面的效果優(yōu)于之前的工作。經(jīng)典論文：Koenderink 獎
Koenderink 獎旨在表彰計算機視覺領域的基礎性貢獻研究，獲獎論文均為發(fā)表時間超過十年并經(jīng)受住時間檢驗的研究。本屆 ECCV 會議 Koenderink 獎頒發(fā)給了以下兩篇論文：論文 1：Improving the Fisher Kernel for Large-Scale Image ClassificationFisher Kernel（FK）是一個結(jié)合了生成和判別方法優(yōu)點的通用框架。在圖像分類領域，F(xiàn)K 擴展了流行的視覺詞袋（BOV）模型。然而，在實踐中，這種豐富的表征尚未顯現(xiàn)出相對 BOV 的優(yōu)越性。在論文的第一部分，研究者對原始框架進行了多項修改，使得 FK 準確率得到提升。在 PASCAL VOC 2007 數(shù)據(jù)集上的平均精度（AP）從 47.9% 提升到了 58.3%。改進后的框架在 CalTech 256 數(shù)據(jù)集上也展現(xiàn)出了 SOTA 準確率。其主要優(yōu)勢在于這些結(jié)果僅使用 SIFT 描述子和線性分類器獲得。使用該表征后，F(xiàn)K 框架可用于探索更大規(guī)模的圖像分類任務。在論文的第二部分應用部分，研究者對比了在兩個大規(guī)模標注圖像數(shù)據(jù)集上的分類器訓練情況：ImageNet 和 Flickr groups 數(shù)據(jù)集。在涉及數(shù)十萬訓練圖像的評估中，研究者發(fā)現(xiàn)基于 Flickr groups 學得的分類器性能非常好，而且它們可以對在更精細標注數(shù)據(jù)集上學得的分類器進行補充。論文 2：BRIEF: Binary Robust Independent Elementary Features這項研究提出將二進制字符串用作高效的特征點描述符，即 BRIEF。研究證明，即使在 bits 相對較少的情況下，BRIEF 依然呈現(xiàn)出高判別性，并且可以通過簡單的強度差測試來計算。此外，對描述符相似度的評估沒有采用常見的 L_2 范數(shù)，而是使用了漢明距離（Hamming distance），后者計算起來非常高效。因此，BRIEF 的構建和匹配速度非常快。該研究在標準基準上將 BRIEF 與 SURF 和 U-SURF 進行比較，結(jié)果表明 BRIEF 能夠?qū)崿F(xiàn)相當或更優(yōu)的識別性能，同時運行時間只需其他二者的一部分。PAMI Everingham 獎
該獎項旨在紀念 Mark Everingham，并鼓勵其他人向他學習，推進整個計算機視覺社區(qū)進一步發(fā)展。PAMI Everingham 獎授予對計算機視覺社區(qū)做出無私貢獻的研究者或研究團隊，由 IEEE 計算機協(xié)會模式分析與機器智能（PAMI）技術委員會頒發(fā)。今年的 PAMI Everingham 獎頒給了微軟高級科學家 Johannes Sch?nberger，以及 MIT 教授 Antonio Torralba 及創(chuàng)建多個數(shù)據(jù)集的合作者。Johannes Sch?nberger 現(xiàn)為微軟混合現(xiàn)實與人工智能蘇黎世實驗室高級科學家，開發(fā)了 COLMAP SFM 和 MVS 軟件庫。Johannes Sch?nberger 的獲獎理由是：他的工作為 3D 圖像重建提供了一個開源的端到端 pipeline 以及相關支持、開發(fā)和文檔。目前這已成為運動恢復結(jié)構（SFM）和多視角立體視覺（Multi-view Stereo，MVS）的參考軟件。Antonio Torralba 現(xiàn)為 MIT 電氣工程與計算機科學教授。在十多年的時間里，Antonio Torralba 與其他合作者定期發(fā)布新數(shù)據(jù)集以及創(chuàng)建這些數(shù)據(jù)集的方法。他們創(chuàng)建的 LabelMe、Tiny images、SUN/SUN-3D 和 MIT-Places 等數(shù)據(jù)集在計算機視覺領域有著極大的影響力。Demo 獎
此外，大會公布了 Demo 獎。獲獎論文是《Inter-Homines: Distance-Based Risk Estimation for Human Safety》。另有兩篇研究獲得了 ECCV 2020 Demo 獎提名：
下載1：動手學深度學習
在「AI算法與圖像處理」公眾號后臺回復：動手學深度學習，即可下載547頁《動手學深度學習》電子書和源碼。該書是面向中文讀者的能運行、可討論的深度學習教科書，它將文字、公式、圖像、代碼和運行結(jié)果結(jié)合在一起。本書將全面介紹深度學習從模型構造到模型訓練，以及它們在計算機視覺和自然語言處理中的應用。
在「AI算法與圖像處理」公眾號后臺回復：OpenCV實戰(zhàn)項目20講，即可下載20個有趣的OpenCV實戰(zhàn)項目請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱
