CVPR是IEEE一年一度的計算機(jī)視覺與模式識別技術(shù)會議，也是計算機(jī)視覺的世界三大頂會之一。2017年的CVPR會議將于7月21日到26日于夏威夷Convention中心召開，雷鋒網(wǎng)將赴前線做覆蓋與報道。

論文一：ResNext:Aggregated Residual Transformations for Deep Neural Networks

深層神經(jīng)網(wǎng)絡(luò)的聚合殘差變換

論文作者：Saining Xie, Ross Girshick, Piotr Dollar, Zhuowen Tu1, Kaiming He

論文鏈接：https://arxiv.org/abs/1611.05431

論文摘要：

據(jù)雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))了解，F(xiàn)acebook團(tuán)隊和圣地亞哥大學(xué)的AI研究員提出了一種采用VGG / ResNets重復(fù)層次策略的圖像分類網(wǎng)絡(luò)架構(gòu)。該網(wǎng)絡(luò)中的一個模塊執(zhí)行一組轉(zhuǎn)換，每個轉(zhuǎn)換都是低維嵌入的，其輸出是通過求和計算得到的。為了簡單的實現(xiàn)這個想法，這些聚合的轉(zhuǎn)換都具有相同的拓?fù)?。這種設(shè)計可以自由的擴(kuò)展到任何大量的轉(zhuǎn)換，而無需專門設(shè)計。

在這種簡化的情況下，該模型有兩種其他等效形式。

ResNeXt的等效構(gòu)建塊。 （a）：聚集殘余變換（b）：等同于（a），執(zhí)行早期并置。 （c）：等同于（a，b），執(zhí)行分組卷積。

該團(tuán)隊的簡單設(shè)計產(chǎn)生了一個均一的多分支架構(gòu)，只需要設(shè)定幾個超參數(shù)。這個策略揭示了一個全新的維度，稱為“基數(shù)”（即轉(zhuǎn)換集合的大?。?，它是除了深度和寬度的尺寸之外的又一個重要因素。

在ImageNet-1K數(shù)據(jù)集上，該團(tuán)隊的實驗表明，即使在保持復(fù)雜性的限制條件下，增加基數(shù)也能夠提高分類精度。此外，當(dāng)增加容量的時候，增加基數(shù)相對于增加深度和寬度而言更加有效。隨著基數(shù)C從1增加到32，保持復(fù)雜性的同時，錯誤率卻不斷降低。

ImageNet-1K消融實驗。 （上半部分）：ResNet-50具有復(fù)雜性（41億FLOP）; （下半部分）：ResNet-101具有復(fù)雜性（78億FLOP）。 錯誤率在224?224個像素的單個體上進(jìn)行評估。

該團(tuán)隊的名為ResNeXt的模型，是他們打入ILSVRC 2016分類任務(wù)的基礎(chǔ)，他們在此次任務(wù)當(dāng)中獲得了第二名。該團(tuán)隊還進(jìn)一步調(diào)查了ImageNet-5K集和COCO檢測集上的ResNeXt，與ResNet對應(yīng)相比，都顯示出更好的結(jié)果。

論文二：Feature Pyramid Networks for Object Detection

 用于對象檢測的特征金字塔網(wǎng)絡(luò)

論文作者：Tsung-Yi Lin, Piotr Doll, Ross Girshick, Kaiming He, Bharath Hariharan, Serge Belongie

論文鏈接： https://arxiv.org/pdf/1612.03144.pdf

論文摘要：

特征圖像金字塔(featurized image pyramids)是用于檢測不同尺度物體的識別系統(tǒng)的基本組成部分。但最近的深度學(xué)習(xí)對象檢測器避免了使用金字塔表示方法，部分原因是由于它們是由計算得出的并且內(nèi)存緊張。

圖1（a）使用圖像金字塔構(gòu)建特征金字塔。 在每個圖像尺度上獨(dú)立地計算特征，速度很慢。 （b）最近的檢測系統(tǒng)選擇僅使用單一尺度特征來更快地檢測。 （c）一個替代方案是重新使用由ConvNet計算得到的金字塔特征層次，就好像它是一個特征化的圖像金字塔。 （d）本文提出的特征金字塔網(wǎng)絡(luò)（FPN）如（b）和（c）所示，但更準(zhǔn)確。 在該圖中，特征圖由藍(lán)色輪廓表示，較粗的輪廓表示語義上更強(qiáng)的特征。

在本文中，谷歌團(tuán)隊和康奈爾大學(xué)團(tuán)隊利用深度卷積網(wǎng)絡(luò)（(ConvNets)）的特征結(jié)構(gòu)的金字塔形狀，同時創(chuàng)建一個具有強(qiáng)大語義的特征金字塔。 為了實現(xiàn)這一目標(biāo)，需要依靠一種通過自上而下的路徑和橫向連接低分辨率、語義強(qiáng)大的特征與高分辨率，語義薄弱的特征，將它們連接組成架構(gòu)（圖1（d））。 結(jié)果是組成一個在所有級別都具有豐富的語義的特征金字塔，并且可以使用單個輸入圖像快速構(gòu)建。 換句話說，本文展示了如何創(chuàng)建網(wǎng)絡(luò)中的特征金字塔，可以用來替代特征圖像金字塔而同時不犧牲速度或內(nèi)存。該方法利用架構(gòu)作為特征金字塔，其中每個級別獨(dú)立地做出預(yù)測（例如，對象檢測）

通過對小型，中型和大型對象（AR_s，AR_m和AR_l）的平均回憶AR，以及COCO-style的平均回憶（AR）來進(jìn)行評估。 報告每個圖像100和1000個提案的結(jié)果（AR¹⁰⁰和AR^1k）。

表1.使用RPN的邊界框提案結(jié)果，對COCO最小值進(jìn)行了評估。 所有型號都在trainval35k上訓(xùn)練。 “橫向”和“自頂向下”列分別表示側(cè)向和自頂向下的連接。 列“特征”表示頂部附著的特征圖。 所有結(jié)果都基于ResNet-50，并且共享相同的超參數(shù)。

表2.使用 Fast R-CNN 對固定的提案集（RPN，{Pk}，表1（c））的對象檢測結(jié)果，在COCO最小值集上進(jìn)行評估。 模型在trainval35k上訓(xùn)練。 所有結(jié)果都基于ResNet-50，并且共享相同的超參數(shù)。

表3.使用Faster R-CNN [29]的對象檢測結(jié)果對COCO最小值進(jìn)行了評估。 RPN網(wǎng)絡(luò)與Fast R-CNN一致。 模型在trainval35k上進(jìn)行培訓(xùn)，并使用ResNet-50。

這種稱為功能金字塔網(wǎng)絡(luò)（FPN）的架構(gòu)在幾個應(yīng)用程序中作為通用特征提取器都顯示出了顯著的改進(jìn)。在basic Faster R-CNN系統(tǒng)中使用FPN，能夠在COCO檢測基準(zhǔn)上獲得最先進(jìn)的單一模型結(jié)果，在沒有響鈴和口哨聲的情況下，超過了所有現(xiàn)有的單一模型條目，包括了COCO 2016挑戰(zhàn)賽的獲獎?wù)?。此外，該金字塔結(jié)構(gòu)可以用所有尺度進(jìn)行訓(xùn)練，并在訓(xùn)練/測試時間也可以一致的使用。 因此，F(xiàn)PN能夠比所有現(xiàn)有的方法獲得更高的精度。 此外，這種改進(jìn)是在單一規(guī)模基線上不增加測試時間的情況下實現(xiàn)的。 研究者相信這些進(jìn)展將有助于未來的研究和應(yīng)用。該方法可以在GPU上以6 FPS運(yùn)行，因此是多尺度對象檢測的實用且準(zhǔn)確的解決方案。

論文一：Learning Features by Watching Objects Move

通過觀察物體移動來學(xué)習(xí)特征

論文作者：Deepak Pathak, Ross Girshick, Piotr Doll, Trevor Darrell, Bharath Hariharan1

Learning Features by Watching Objects Move

論文鏈接：https://arxiv.org/abs/1612.06370

論文摘要：

本文提出了一種新穎而直觀的無監(jiān)管特征學(xué)習(xí)方法。 該方法是受到人類視覺系統(tǒng)的啟發(fā)而得來的。一起移動的像素往往是同屬于一個物體的。 解析靜態(tài)場景的能力隨著時間的推移而改善，這表明基于運(yùn)動的分組出現(xiàn)在早期，靜態(tài)分組將在隨后可能是基于由運(yùn)動線索引導(dǎo)而獲取的。

圖1.低等級的外觀線索導(dǎo)致錯誤的分組（右上角）。 運(yùn)動可以幫助正確地分組，在一起移動的像素（左下方）將被識別為同一組的單個對象（右下）。使用無監(jiān)督的基于運(yùn)動的分組來訓(xùn)練ConvNet來分割靜態(tài)圖像中的對象，并顯示出網(wǎng)絡(luò)能夠?qū)W習(xí)特征，并將其應(yīng)用到其他任務(wù)中。

該團(tuán)隊在探討是否可以使用基于低級運(yùn)動的分組線索來學(xué)習(xí)有效的視覺表示。 具體來說，他們將使用無監(jiān)督的基于運(yùn)動的視頻片段來獲得分段，并將其用作“偽地面真相”來訓(xùn)練卷積網(wǎng)絡(luò)，以從單個幀中分割識別對象。

圖2.方法概述 使用運(yùn)動線索來分割視頻中的對象而無需任何監(jiān)督。 然后，對ConvNet進(jìn)行訓(xùn)練，從靜態(tài)幀中預(yù)測這些分段，即沒有任何運(yùn)動線索。 然后，將學(xué)習(xí)的到的物體表示應(yīng)用到其他識別任務(wù)中。

圖7. ConvNet上生成的圖像分段示例。 ConvNet能夠識別運(yùn)動對象，并從單個框架中分割出來。 掩碼并不完美，但它們確實能捕捉到一般物體的形狀。

鑒于廣泛證據(jù)顯示，運(yùn)動在人類視覺系統(tǒng)發(fā)展中發(fā)揮著關(guān)鍵作用，他們希望這種無監(jiān)督學(xué)習(xí)的直接的方法將比在文獻(xiàn)中研究的巧妙設(shè)計的任務(wù)更有效。 事實上，廣泛的實驗表明，用于物體檢測的轉(zhuǎn)移學(xué)習(xí)時，該方法的表現(xiàn)在多種設(shè)置中都顯著優(yōu)于以前的無監(jiān)督方法。特別是當(dāng)目標(biāo)任務(wù)的訓(xùn)練數(shù)據(jù)很少時，即使大多數(shù)ConvNet參數(shù)被凍結(jié)，該方法也保持著良好的性能。

雷鋒網(wǎng)整理

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。