0
當?shù)貢r間 9 月 14 日，歐洲計算機視覺頂級學術(shù)會議 ECCV 2018 在德國慕尼黑圓滿落幕。據(jù)悉，ECCV 2018 規(guī)模空前，有近 3200 人參加，接收論文 776 篇；另有 43 場 Workshops 和 11 場 Tutorials。曠視科技研究院在院長孫劍博士的帶領下遠赴盛會，用心用力，推動全球范圍計算機視覺的技術(shù)交流與產(chǎn)品落地。
長期以來，計算機視覺三大學術(shù)頂會 CVPR、ECCV 和 ICCV 一起發(fā)揮著舉足輕重的平臺擔當作用，幫助產(chǎn)學研各方代表展示技術(shù)實力，增進學術(shù)交流。曠視科技作為全球人工智能獨角獸代表，是計算機視覺三大 “C 位”會議的積極參與者，ICCV 2017 曠視科技打破谷歌、微軟壟斷，成為第一個問鼎 COCO 冠軍的中國公司；CVPR 2018 曠視科技全面進擊，論文、Demo、挑戰(zhàn)賽、酒會，一個不少，掀起一股產(chǎn)學研交流熱潮。
這次的 ECCV 2018，曠視科技同樣保持著較高的參與度并收獲頗豐：
1. ECCV 2018 共收錄 10 篇曠視科技研究院涵蓋多個 CV 子領域的論文；
2. 贏得 2018 COCO+Mapillary 挑戰(zhàn)賽四項世界第一，成為 ECCV 奪冠最多的企業(yè)；
3. 基于深厚的人臉識別技術(shù)積淀，曠視摘得 2018 WIDER Face Challenge 世界冠軍。
下文將一一呈現(xiàn)曠視科技 ECCV 之行的點滴瞬間。
據(jù) ECCV 2018 官網(wǎng)信息，曠視科技共有 10 篇接收論文。從內(nèi)容上看，論文涵蓋 CV 技術(shù)的多個層面，小到一個新表示的提出，大到一個新模型的設計，乃至神經(jīng)網(wǎng)絡設計原則和新任務、新方法的制定，甚至弱監(jiān)督學習的新探索，不一而足。
具體而言，曠視科技在以下技術(shù)領域?qū)崿F(xiàn)新突破：網(wǎng)絡架構(gòu)設計（1 篇）、通用物體檢測（2 篇）、語義分割（3 篇）、場景理解（1 篇）、文本識別與檢測（2 篇）、人臉識別（1 篇）。
神經(jīng)網(wǎng)絡架構(gòu)設計領域，ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 不僅授之以魚，還授之以漁，針對移動端深度學習提出第二代卷積神經(jīng)網(wǎng)絡 ShuffleNet V2，實現(xiàn)速度與精度的最優(yōu)權(quán)衡，同時給出了神經(jīng)網(wǎng)絡架構(gòu)的四個實用設計準則。這無疑將加速推進由深度學習驅(qū)動的計算機視覺技術(shù)在移動端的全面落地。此外，論文還提出網(wǎng)絡架構(gòu)設計應該考慮直接指標，比如速度，而不是間接指標，比如 FLOPs。
通用物體檢測方面，曠視科技通過設計 1）新型骨干網(wǎng)絡 DetNet 和 2）目標定位新架構(gòu) IoU-Net 推動該領域的發(fā)展。
DetNet: A Backbone network for Object Detection 的設計靈感源自圖像分類與物體檢測任務之間存在的落差。詳細講，DetNet 針對不同大小和尺度的物體而像 FPN 一樣使用了更多的 stage；即便如此，在保留更大的特征圖分辨率方面，它依然優(yōu)于 ImageNet 預訓練模型。但是，這會增加神經(jīng)網(wǎng)絡的計算和內(nèi)存成本。為保證效率，曠視研究員又引入低復雜度的 Dilated Bottleneck，兼得較高的分辨率和較大的感受野。DetNet 不僅針對分類任務做了優(yōu)化，對定位也很友好，并在 COCO 上的物體檢測和實例分割任務中展現(xiàn)了出色的結(jié)果。 
Acquisition of Localization Confidence for Accurate Object Detection （IoU-Net）實現(xiàn)了作為計算機視覺基石的目標檢測技術(shù)的底層性原創(chuàng)突破。具體而言，通過學習預測與對應真實目標的 IoU，IoU-Net 可檢測到的邊界框的“定位置信度”，實現(xiàn)一種 IoU-guided NMS 流程，從而防止定位更準確的邊界框被抑制。IoU-Net 很直觀，可輕松集成到多種不同的檢測模型中，大幅提升定位準確度。MS COCO 實驗結(jié)果表明了該方法的有效性和實際應用潛力。研究員同時希望這些新視角可以啟迪未來的目標檢測工作。
曠視科技語義分割領域的論文占比最高：1）實現(xiàn)實時語義分割的雙向網(wǎng)絡 BiSeNet；2）優(yōu)化解決語義分割特征融合問題的新方法 ExFuse；以及 3）通過實例級顯著性檢測和圖劃分實現(xiàn)弱監(jiān)督語義分割的新方法。
BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation 的提出基于三種主流的實時語義分割模型加速方法，并在特征融合模塊和注意力優(yōu)化模塊的幫助下，把實時語義分割的性能推進到一個新高度。 
ExFuse: Enhancing Feature Fusion for Semantic Segmentation 針對語義分割主流方法直接融合高低特征不奏效的問題而提出，創(chuàng)新性地在低級特征引入語義信息，在高級特征嵌入空間信息，優(yōu)化解決特征融合的問題。
Associating Inter-Image Salient Instances for Weakly Supervised Semantic Segmentation 通過整合顯著性檢測和圖劃分算法，提出一種新型弱監(jiān)督學習方法，加速語義分割發(fā)展，其最大亮點是既利用每個顯著性實例的內(nèi)在屬性，又挖掘整個數(shù)據(jù)集范圍內(nèi)不同顯著性實例的相互關(guān)系。
曠視科技借助統(tǒng)一感知解析網(wǎng)絡 UPerNet 來優(yōu)化場景理解問題。Unified Perceptual Parsing for Scene Understanding 提出名為統(tǒng)一感知解析 UPP 的新任務，要求機器視覺系統(tǒng)從一張圖像中識別出盡可能多的視覺概念；又提出多任務框架 UPerNet ，開發(fā)訓練策略以學習混雜標注。UPP 基準測試結(jié)果表明，UPerNet 可有效分割大量的圖像概念。
在文本識別與檢測方面，曠視科技貢獻了 1）新型端到端可訓練網(wǎng)絡 Mask TextSpotter 和 2）檢測任意形狀文本的靈活表征 TextSnake 兩個技術(shù)點。 
Mask TextSpotter: An End-to-End Trainable Neural Network for Spotting Text with Arbitrary Shapes 受到 Mask R-CNN 啟發(fā)，通過分割文本區(qū)域檢測文本，可勝任任意形狀的文本；另外，相比其他方法，Mask TextSpotter 還可借助語義分割實現(xiàn)精確的文本檢測和識別。
TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes 可以擬合任意形狀的文本，就像蛇一樣改變形狀適應外部環(huán)境；基于這一表示，出現(xiàn)了一種有效的場景文本檢測方法，在包含若干個不同形式（水平、多方向、曲形）的文本數(shù)據(jù)集上做到當前最優(yōu)。
GridFace 是曠視科技人臉識別領域的一項新突破。GridFace: Face Rectification via Learning Local Homography Transformations 可通過學習局部單應變換減少人臉變形，先校正，再識別，過硬的校正技術(shù)大幅提升了人臉識別的性能。相關(guān)實驗結(jié)果已證明該方法的有效性和高效性。
ECCV 2018 最受矚目的 COCO+Mapillary 聯(lián)合挑戰(zhàn)賽，中國戰(zhàn)隊奪獲全部冠軍。曠視科技參戰(zhàn) 3 項 COCO 比賽和 1 項 Mapillary 比賽，分獲 3 項 COCO 第一和 1 項 Mapillary 第一，四戰(zhàn)皆勝，攬下了挑戰(zhàn)賽的“大半江山”，在實例分割、全景分割和人體關(guān)鍵點檢測上進行了迭代式新探索。
實例分割
實例分割是當前器視覺物體識別最前沿的技術(shù)之一，也是計算機視覺最核心的任務之一。曠視科技奪冠的關(guān)鍵是在模型的核心組件 Head 上做功夫，提出一種名為 Location Sensitive Header（LSH）的新方法。
傳統(tǒng) Mask R-CNN 方法借助 RoI Align 提高實例分割定位精度，但對 RoI Align之后的組件 Head 無暇顧及。曠視研究員發(fā)掘出一個對實例分割友好，對定位精度敏感的 Head。概括來說，LSH 重新設計了任務之間的組合，把分類和分割 combine 起來，這樣做不僅可以優(yōu)化開發(fā)實例分割定位能力，還可有效避免定位和分類之間的沖突。最終，曠視科技以 mmAP 0.486 的成績拿下并列第一。
全景分割
全景分割是這次挑戰(zhàn)賽的一項全新任務，代表著當前計算機視覺識別技術(shù)最前沿，沒有之一。從任務層級看，全景分割會比實例分割更進一步。針對這次大賽，在端到端框架探索折戟之后，曠視研究員選定一種 two-fold 方案：整合語義分割和實例分割算法的輸出。
這一做法需要克服兩個問題：1）Stuff 的特殊性；2）Thing 的遮擋。首先，曠視研究員針對 Stuff 設計試驗了更強的 Encoder Network，又針對 Stuff Context 設計專門的 Object Context Network，保證 Stuff 的性能；其次，由于放棄端到端框架，在圖像融合之時會出現(xiàn)遮擋問題，曠視研究員給出了專門的 Spatial Hierarchical Relation 方法，根據(jù)不同物體的重疊面積排定圖像理解的層級。曠視科技高歌猛進，最終在 COCO+Mapillary 實例分割兩項任務中分別以 PQ 0.538 和 0.412 的成績實力奪魁。
人體關(guān)鍵點檢測
人體關(guān)鍵點檢測需要在多角度、多目標、多尺寸等不受限條件下檢測人體，同時精確定位人體關(guān)鍵點，自 2016 年第二屆 COCO 挑戰(zhàn)賽以來一直保留，目前是第三次迭代。COCO 2017，曠視科技曾奪得第一，這次乘勝追擊，背后支撐的依然是“曠式”突破性技術(shù)。
由于當前主流的人體姿態(tài)估計網(wǎng)絡都遭遇了瓶頸問題：增大骨干網(wǎng)絡 Backbone 對精度提升的作用趨近于飽和，曠視研究員設計了新型 Cascade Backbone Network（CBN），可采用多層次跨階段連接和由粗到細的監(jiān)督策略，實現(xiàn)大幅的精度提升。CBN 采用小網(wǎng)絡、多階段、多層中間監(jiān)督，跨階段連接實現(xiàn)檢測結(jié)果逐階段精細提升，最終在 COCO 2018 人體關(guān)鍵點挑戰(zhàn)數(shù)據(jù)集中獲得 mmAP 0.764 的精度，順利衛(wèi)冕。
ECCV 2018 WIDER Face and Pedestrian Challenge 是一項全球范圍內(nèi)的計算機視覺頂級賽事和新基準競賽，吸引超過 400 多支隊伍參加，曠視科技參戰(zhàn)其中的人臉檢測比賽 WIDER Face Challenge，最終以 mmAP 0.5582 的成績技壓群雄，勇奪冠軍。
這項比賽中，曠視科技基于 RetinaNet 提出一種新型級聯(lián)檢測器，既吸取了 Cascade R-CNN 不斷提高閾值 refine 檢測框的 insight，又保證了inference 時依然是單階段檢測器，取長補短，兼得性能與速度。這一原創(chuàng)方法在單模型單尺度下 mmAP 超過第二名 1.4 個點，最終 mmAP 超過第二名 2.5 個點，以較大領先優(yōu)勢奪得第一名。
以上是曠視科技 ECCV 2018 之行的一些掠影。
作為全球計算機視覺獨角獸參加計算機視覺頂會，是對自身實力的一個驗證和砥礪，也是一次相互交流和學習的好機會。曠視科技始于計算機視覺，深耕計算機視覺，人工智能的爆發(fā)與深度學習的發(fā)軔也在計算機視覺，從機器之眼開始，正如五億四千萬年之前，寒武紀生物大爆發(fā)的一個主要誘因是眼睛的出現(xiàn)。
能看的機器之眼，是計算機視覺技術(shù)與應用的共同目標，只不過技術(shù)是第一步。ECCV 2018，曠視科技交上了一份滿意的答卷，踏出、踏實、踏穩(wěn)了 AI 技術(shù)第一步，那么下一步，以非凡科技在全球范圍內(nèi)鑄成 AI+IoT，曠視科技正在飛奔而來。
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。
