CVPR 2019 微软亚研 分享会

分享会视频：转自AI研习社

“Perceive where to focus：learning visibilityaware part features for partial person reidentification” 行人再识别

清华大学 行人再识别

1. 【问题】：行人部分可见（部分被遮挡会引入噪声）；
2. 【方法&创新】：region部件特征提取，可见部分给高评分，否则给低评分；
3. 【创新】：VPM（Visibility-aware Part Model）分块为可见部分和不可见部分，构建自监督的过程；
4. 【方法】三个Loss：人体Loss、ID、不同ID鉴别；
   将人体分多个区域，感知出现区域，共享区域和已知区域对比；

---

“Deeper and wider siamese networks for real-time visual tracking” 多帧跟踪

微软亚研 Visual Object Tracking：多帧跟踪

1. 【孪生卷积网络】：
   Siamese Trackers：孪生卷积网络【共享输入和参数】
   Feature Space更具有鲁棒性；
   SiamFC：给模版和区域，在区域搜索模板，得到Score Map；
   SiamRPN：跟从SiamFC，上是分类，下是回归；

2. 【工作出发点和动机】：
   SiamFC和SiamRPN替换AlexNet为更深的网络；
   提升网络难以提升好效果；
   Padding:加上会降低->加上后为0边缘的padding，造成网络看到的0边缘和原图不一样；

3. 【网络流程】：
   替换SiamFC和SiamRPN；
   训练：从后向前逐步释放Layer

---

“Visual Tracking via daptive Spatially Regularized Correlation Filters” 单目标跟踪

大连理工 单目标跟踪

1. 【问题】相关滤波自适应跟踪算法和CNN网络研究，500帧达到瓶颈；
2. 【方法】CF框架和CNN结合框架；
3. 【方法】相关滤波：
   提取多目标检测窗口 - FFT - CNN - DFFT
   高亮部分会导致学习滤波器有影响；
   增加自适应空间正则；

---

“Self-Supervised Convolutional Subspace Clustering Network” 低维子空间聚类

北邮 李春光 高维数据在低维子结构中【低维子空间聚类】

1. 构建相似度矩阵；

2. 构建相似点聚类；

3. 如何构建好的相似度矩阵：高维空间之中空间信息不好用；

4. 自表示模型 用点和其他点的相似度系数表示该点的位置；

   原始表示不能符合低维子空间分解
   传统：核方法、矩阵分解
   MLP+SSC -> DSCNET 谱聚类
   “卷积 特征抽取 普聚类”合成一起；

---

“Progressive Teacher-student Learning for Early Action Prediction” 行为预测

中山大学 行为预测 Teacher Student 网络结构

1. 分为两个问题：
   行为识别：动作完成检验；
   行为预测：动作未做 预先知道；

2. 提取RGB三通道特征：
   Teacher：双向LSTM；
   Student：单向LSTM；

3. 数据库：NTU RGB+D、SYSU 3D HOI、UFG-101；

---

“Single-Image Piece-wise Planar 3D Reconstruction via Associative Embedding” 3D重建任务

上海科技大学 3D重建任务

1. 给定二维图片 推断3维结构
   对称重复结构 匹配存在问题

2. 3D重建基于现实世界每个物体 平行/垂直/等 关系
   区分不同平面，对估计的每个区域划分

3. PPGNet：Learning Point-Pair Graph for Line Segment Detection
   本文对人造环境效果好，不一定适用于自然环境；

---

“SeerNet: Predicting Convolution Neural Network Feature-Map Sparsity through Low-Bit Quantization” 稀疏性计算提升计算效率

微软亚研 稀疏性计算提升计算效率
训练时将connection为0的矩阵扔掉；

Accuracy和Speed up 不能两全；
Relu负值变为0，MaxPooling取最大值；

卷积 前用低比特计算出mask，仅用Cuda计算mask中的正值；

---

“Multi-label image recognition with graph convolutional networks” GCN 图网络

旷视 GCN图网络

1. 单图像中存在多个label物体，训练多个二分类器；
2. 识别语义关系，并找出相关性-例如在天空中将鱼的label降低；
3. 腾讯数据集：ML-Image；