0
| 本文作者： 楊曉凡 | 2018-09-13 21:01 |
雷鋒網(wǎng) AI 科技評(píng)論按：兩年一次的計(jì)算機(jī)視覺頂會(huì) ECCV 正在德國慕尼黑進(jìn)行中。繼正會(huì)第一天的開場演講中介紹了多項(xiàng)基本情況之后，各項(xiàng)論文獎(jiǎng)項(xiàng)也在 12 日的參會(huì)人員大聚餐 Gala Dinner 上、在歡樂輕松的氛圍中、在美食的香氣里逐項(xiàng)揭曉。
Implicit 3D Orientation Learning for 6D Object Detection from RGB Images
根據(jù) RGB 圖像檢測 6 維位姿的隱式三維朝向?qū)W習(xí)
論文摘要：作者們提出了一個(gè) RGB 彩色圖像處理系統(tǒng)，它可以進(jìn)行實(shí)時(shí)的物體檢測與 6 維位姿估計(jì)。其中的全新的三維朝向估計(jì)器是基于降噪自動(dòng)編碼的一個(gè)變種，然后借助「任務(wù)隨機(jī)化」（domain randomization）技巧用 3D 模型的模擬視角進(jìn)行訓(xùn)練。這個(gè)所謂的「增強(qiáng)自動(dòng)編碼器」相比現(xiàn)有的方法有數(shù)個(gè)優(yōu)點(diǎn)：它不需要真實(shí)的、標(biāo)注過位姿的訓(xùn)練數(shù)據(jù)，它可以泛化到多種不同的測試傳單器上，并且天然地就可以處理物體和視角的對(duì)稱性。這個(gè)模型學(xué)到的并不是從輸入圖像到物體位姿的顯式映射，實(shí)際上它會(huì)根據(jù)圖像樣本在隱含空間內(nèi)建立一個(gè)隱式的物體位姿表征。基于 T-LESS 和 LineMOD 數(shù)據(jù)集的實(shí)驗(yàn)表明所提的方法不僅比類似的基于模型的方法有更好的表現(xiàn)，而且表現(xiàn)也接近目前頂級(jí)的、需要真實(shí)的位姿標(biāo)注圖像的方法。
Group Normalization
組歸一化
論文作者：Facebook 人工智能研究院吳育昕、何愷明。（又雙叒叕是何愷明，往期最佳論文獎(jiǎng)已經(jīng)有 ICCV 2017 最佳論文以及兩次 CVPR 最佳論文，可以說是最亮眼的華人研究人員之一了）
論文內(nèi)容：雷鋒網(wǎng) AI 科技評(píng)論往期文章介紹過這篇論文的重點(diǎn)內(nèi)容，參見 這里
GANimation: Anatomically-aware Facial Animation from a Single Image
GANimation：基于解剖學(xué)知識(shí)從單張圖像生成人臉表情動(dòng)畫
論文摘要：生成式對(duì)抗性網(wǎng)絡(luò)（GANs）的近期進(jìn)步已經(jīng)在面部表情生成任務(wù)中展現(xiàn)出了令人驚喜的結(jié)果。這項(xiàng)任務(wù)上最成功的架構(gòu)是 StarGAN，它把 GANs 的圖像生成過程限定在了一個(gè)具體的范圍中，也就是一組不同的人做出同一個(gè)表情的照片。這種方法雖然很有效，但是它只能生成若干種離散的表情，具體是哪一種由訓(xùn)練數(shù)據(jù)的內(nèi)容決定。為了消除這種限制，作者們?cè)谶@篇論文中提出了一種新的 GAN 條件限定方式，它基于的是動(dòng)作單元（Action Units）的標(biāo)注，而動(dòng)作單元標(biāo)注就可以在一個(gè)連續(xù)的流形中描述足以定義人類表情的解剖學(xué)面部動(dòng)作。通過這種方法，作者們得以控制每一個(gè)動(dòng)作單元的激活程度，并且組合多個(gè)多個(gè)動(dòng)作單元。除此之外，作者們還提出了一個(gè)完全無監(jiān)督的策略用于訓(xùn)練模型，它只需要標(biāo)注了激活的動(dòng)作單元的圖像，然后通過注意力機(jī)制的應(yīng)用就可以讓網(wǎng)絡(luò)對(duì)于背景和光照條件的改變保持魯棒。大量實(shí)驗(yàn)評(píng)估表明他們的方法比其他的條件生成方法有明顯更好的表現(xiàn)，不僅表現(xiàn)在有能力根據(jù)解剖學(xué)上可用的肌肉動(dòng)作生成非常多種多樣的表情，而且也能更好地處理來自不同分布的圖像。
Hamming embedding and weak geometric consistency for large scale image search
用于大規(guī)模圖像搜索的無線嵌入與弱幾何一致性
Semi-supervised On-Line Boosting for Robust Tracking
用于魯棒追蹤的半監(jiān)督在線增強(qiáng)方法.
ECCV 還在繼續(xù)進(jìn)行當(dāng)中，雷鋒網(wǎng) AI 科技評(píng)論也有多個(gè)角度的論文解讀、會(huì)議動(dòng)態(tài)文章。更多信息請(qǐng)繼續(xù)關(guān)注。感謝中國科學(xué)院自動(dòng)化研究所楊陽提供的現(xiàn)場資訊。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
