雷鋒網(wǎng) AI 研習(xí)社按，當(dāng)?shù)貢r(shí)間 6.18-22 日，CVPR 2018 將在美國鹽湖城舉辦。目前距離大會(huì)開幕還有四個(gè)月，隨著春節(jié)期間大會(huì)主辦方公布接收論文名單，引來大家對 CVPR 的討論狂潮（詳情可參見 CVPR 2018 收錄論文名單全公布，默默看各路大神公布喜訊）。除了對接收論文的討論和學(xué)習(xí)，其實(shí)還有一個(gè)議程也不容大家錯(cuò)過，那就是 workshop 上各式各樣的比賽了。

從大會(huì)官網(wǎng)上可以看到，今年的 workshop 涉及到多個(gè)議題，比如偽裝人臉識別、低功耗圖像識別、圖像壓縮、系統(tǒng)魯棒性分析、自動(dòng)駕駛、嵌入式視覺等等多個(gè)方面，而針對這些議題，也涌現(xiàn)出許多有意思的比賽。這些 workshop 上的比賽，或是有多個(gè)大公司贊助，或是極具新意，或是極具實(shí)用價(jià)值，雷鋒網(wǎng) AI 研習(xí)社在篩選之后，為大家介紹如下幾個(gè)比賽。

以下是兩個(gè)極有新意的比賽，在偽裝人臉識別比賽和大規(guī)模地標(biāo)識別競賽上，主辦方都提供全新的大規(guī)模公開數(shù)據(jù)集，大家可以利用系統(tǒng)識別偽裝后的明星，識別景點(diǎn)。

偽裝人臉識別比賽

在「First International Workshop on Disguised Faces in the Wild 」workshop上，來自馬里蘭大學(xué)、IBM 和印度國際信息學(xué)院（IIIT）的幾位主辦方推出偽裝人臉檢測比賽。

隨著近年來深度學(xué)習(xí)的進(jìn)步，自動(dòng)人臉識別能力得到了顯著提升。然而，在不受約束的環(huán)境中，面對不是很配合的用戶，想要進(jìn)行精準(zhǔn)的人臉識別仍然極具挑戰(zhàn)。

目前對姿勢、表情、光照、老化程度和低分辨率等幾個(gè)因素的研究頗多，但「偽裝」仍然是人臉識別中一個(gè)很難解決的問題。

如下圖所示，偽裝包括有意和無意的改變面容來混淆自己的身份，或者模仿別人的身份。你能猜出下面誰是Lady Gaga，誰是 Neil Patrick Haris 嗎？

偽裝在什么樣的環(huán)境下都有可能發(fā)生，因此對這種問題的識別會(huì)更加困難。此外，由于沒有可用的數(shù)據(jù)集，人們并沒有對真實(shí)場景下的偽裝進(jìn)行全面研究。

針對現(xiàn)狀，在此次研討會(huì)上，主辦方舉辦了這場偽裝人臉識別競賽，參賽者將被要求展示他們在自然環(huán)境數(shù)據(jù)庫中對偽裝后的人臉的識別情況。優(yōu)秀的算法組將被受邀提交論文，選中的論文會(huì)在 workshop 上進(jìn)行演示。此外，沒有參加比賽的相關(guān)研究人員也可以提交論文。

喬裝人臉數(shù)據(jù)集（Disguised Face Dataset）

主辦方準(zhǔn)備了一個(gè)喬裝人臉數(shù)據(jù)集（Disguised Face Dataset），包含了 1.1 萬多張涵蓋 1000 種主題的各種經(jīng)過不同偽裝的圖片。主題文件夾由喬裝過后的藝人的圖片組成，此外主辦方還提供從 Faster RCNN 中生成的臉部文件。

數(shù)據(jù)集地址：http://iab-rubric.org/databases/DFW_Data.zip

比賽主要包括如下幾個(gè)方向：

• 在偽裝的情況下識別人臉

• 通過偽裝冒充其他身份

• 檢測各種不同的偽裝方法

• 檢測化妝之后的人臉

• 識別遮掩之后的人臉

關(guān)于該比賽的詳細(xì)信息，可以參見：

http://iab-rubric.org/DFW/dfw.html

大規(guī)模地標(biāo)識別競賽（Large-Scale Landmark Recognition: A Challenge）

當(dāng)你在瀏覽旅游之后的照片時(shí)，有沒有問過自己：我在中國訪問過的這座寺廟叫什么名字? 我在法國看到的這個(gè)紀(jì)念碑是誰建造的? 想不起來沒關(guān)系，地標(biāo)識別系統(tǒng)能幫到你。地標(biāo)識別技術(shù)可以直接通過圖片像素預(yù)測地標(biāo)標(biāo)簽，從而幫助人們更好地理解和分類自己的照片。

如今，地標(biāo)識別研究面臨一大障礙——缺乏大型的帶標(biāo)注的數(shù)據(jù)集。

在這次競賽中，主辦方公開了迄今為止最大的全球性數(shù)據(jù)集，以促進(jìn)解決這個(gè)問題。此次比賽在 Kaggle 平臺上舉辦，極具挑戰(zhàn)性。

此次共分為兩個(gè)賽事：

地標(biāo)識別

Kagglers 需要建立模型，在測試集中識別出正確的地標(biāo) (如果圖中有地標(biāo))。

許多 Kagglers 對諸如 ImageNet LSVRC 大規(guī)模視覺識別挑戰(zhàn)賽很熟悉，ILSVRC 的目標(biāo)是識別一千種常規(guī)的對象類別。地標(biāo)識別與這有些許不同：它包含了更大的類 (這次比賽中有一萬五千個(gè)類)，并且每個(gè)類的訓(xùn)練樣例的數(shù)量可能不是很大。地標(biāo)識別本身也極具挑戰(zhàn)。

這一挑戰(zhàn)與地標(biāo)檢索挑戰(zhàn)賽同時(shí)進(jìn)行，兩個(gè)比賽的測試集相同，以鼓勵(lì)參賽者兩個(gè)都參加。

地標(biāo)檢索

圖像檢索是計(jì)算機(jī)視覺中的一個(gè)基礎(chǔ)問題：給定一個(gè)圖像，你能否在大型數(shù)據(jù)庫中找到類似的圖像? 這個(gè)問題對于含有地標(biāo)的圖像來說非常重要，因?yàn)槿藗兇蠖枷矚g以特定的地標(biāo)作為背景拍照。

在這場競爭中，主辦方會(huì)為參賽者提供查詢的圖像，并且，對于每個(gè)給定的圖像，都希望參賽者能檢索出數(shù)據(jù)庫中包含相同地標(biāo)的所有圖像 (如果存在的話)。

主辦方也鼓勵(lì)參賽者使用識別比賽中的訓(xùn)練數(shù)據(jù)來訓(xùn)練檢索賽中的模型，這可能也會(huì)有用。但是請注意：這兩個(gè)挑戰(zhàn)賽的訓(xùn)練/檢索集中沒有共同的地標(biāo)。

比賽提供的全新數(shù)據(jù)集是世界上最大的圖像檢索研究數(shù)據(jù)集，由一百多萬張圖片組成，包含一萬五千個(gè)獨(dú)特的地標(biāo)。主辦方表示，希望這一數(shù)據(jù)集將加速對這類研究的進(jìn)展。

地標(biāo)識別比賽地址：https://www.kaggle.com/c/landmark-recognition-challenge

地標(biāo)檢索比賽地址：https://www.kaggle.com/c/landmark-retrieval-challenge

除了以上兩個(gè)代表性的極具新意的比賽，會(huì)上也有很多較為傳統(tǒng)的比賽，例如 LPIRC。

低功耗圖像識別挑戰(zhàn)賽（Low-Power Image Recognition Challenge）

該比賽為 IEEE 主辦，今年是第四屆。比賽贊助方包括 IEEE Rebooting Computing、谷歌和 Facebook。

舉辦該比賽的背景如下：目前，許多移動(dòng)系統(tǒng) (智能手機(jī)、電子設(shè)備、自動(dòng)機(jī)器人) 都具有拍照功能，這些系統(tǒng)都需要使用電池，因此降低能耗極其重要。

這一競賽旨在發(fā)掘出兼顧圖像識別和節(jié)約能耗的最佳技術(shù)。參賽選手的方案將會(huì)根據(jù)兩個(gè)維度來評估：一是高識別率，二是低功耗。

圖像識別涉及到許多任務(wù)。這一挑戰(zhàn)集中于對象檢測，這是許多識別方法的基本路徑。

下面有兩個(gè)例子，舉例說明了此次任務(wù)。

在第一個(gè)例子中，有兩個(gè)物體：一只鳥和一只青蛙。

在第二個(gè)例子中，有若干物體：汽車、人、摩托車和頭盔。

LPIRC 的訓(xùn)練和驗(yàn)證數(shù)據(jù)來自于 ImageNet 大規(guī)模視覺識別挑戰(zhàn)賽。測試數(shù)據(jù)是專門針對此次比賽準(zhǔn)備的。

比賽分為三個(gè)不同挑戰(zhàn)：

Track 1：參賽隊(duì)伍在 CVPR 2018 之前，將他們的模型提交為 TfLite 格式，這里重點(diǎn)關(guān)注模型在確定計(jì)算平臺上的準(zhǔn)確率和執(zhí)行時(shí)間。

Track 2：參賽隊(duì)伍在 CVPR 2018 前提交程序，主辦方將會(huì)在英偉達(dá) TX2 上執(zhí)行程序，衡量準(zhǔn)確率和能耗。

Track 3：與 2017 年的一樣，參賽者在現(xiàn)場用他們寫好的程序比賽，這里對硬件和軟件都沒有限制。（注意：不能使用英偉達(dá) TX2）

關(guān)于比賽的更多信息，接下來會(huì)陸續(xù)公布，大家可以關(guān)注：

https://rebootingcomputing.ieee.org/lpirc

除了這些或極具新意，或傳統(tǒng)的比賽，也有比賽既涉及到由來已久的賽事，又專注于未來的實(shí)用性價(jià)值，例如下面要介紹的魯棒性視覺挑戰(zhàn)賽。

魯棒性視覺挑戰(zhàn)賽（Robust Vision Challenge）

過去十年間，帶標(biāo)注的大數(shù)據(jù)集日益增多，如 Middlebury、PASCAL VOC、ImageNet、MS COCO、KITTI、Cityscapes，這些數(shù)據(jù)集的出現(xiàn)使得計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)取得巨大進(jìn)步。

有了公共排行榜，大家只需要比較多種方法的結(jié)果，就很容易追蹤到這一領(lǐng)域的最先進(jìn)技術(shù)。雖然目前在每個(gè)數(shù)據(jù)集上都取得了穩(wěn)定的進(jìn)展，但許多都只限于特定領(lǐng)域。例如，KITTI 專注于真實(shí)世界的城市駕駛場景，而 Middlebury 考慮的是室內(nèi)場景。

因此，在一個(gè)數(shù)據(jù)集上頂尖的方法通常在另一個(gè)數(shù)據(jù)集上表現(xiàn)很差，或者需要對模型參數(shù)進(jìn)行大量修改。

這個(gè) workshop 的目標(biāo)是促進(jìn)視覺系統(tǒng)的發(fā)展，找到能在各種具有不同特征的數(shù)據(jù)集上均表現(xiàn)良好的穩(wěn)健系統(tǒng)。

為了實(shí)現(xiàn)這一目標(biāo)，主辦方推出 Robust Vision Challenge 挑戰(zhàn)賽，通過一系列具有不同特征的、極具挑戰(zhàn)性的基準(zhǔn)（例如室內(nèi) VS 室外，真實(shí) VS 合成，晴朗 VS 惡劣天氣，不同的傳感器），測試系統(tǒng)在若干個(gè)任務(wù) (如：重建、語義/實(shí)例分割、單一圖像深度預(yù)測) 上的性能。此外，主辦方也鼓勵(lì)大家提交的系統(tǒng)中包括新的算法、目前正在審核的技術(shù)和已經(jīng)發(fā)表的方法。

如上圖所示，主辦方為這 6 個(gè)挑戰(zhàn)中的冠軍和亞軍提供獎(jiǎng)項(xiàng)，并邀請他們在這次的 workshop 上展示其方法，參加 workshop 晚宴。此外，主辦方還計(jì)劃在 TPAMI 論文上發(fā)表優(yōu)勝者方案。

而從大的方向上來看，也有諸多比賽關(guān)注城市現(xiàn)狀，旨在利用計(jì)算機(jī)技術(shù)，找出針對于交通問題、城市發(fā)展問題的更好的應(yīng)對方法，例如下面將要介紹的兩項(xiàng)比賽：

英偉達(dá) AI 城市挑戰(zhàn)賽（NVIDIA AI CITY CHALLENGE）

英偉達(dá)在 CVPR 2018 上舉辦了一場英偉達(dá) AI 城市挑戰(zhàn)賽。他們表示，到 2020 年將有 10 億臺相機(jī)。交通運(yùn)輸是相機(jī)最大的細(xì)分市場之一，因?yàn)樗梢詮倪@些相機(jī)捕捉到的數(shù)據(jù)中受益。在交通、信號系統(tǒng)、運(yùn)輸系統(tǒng)、基礎(chǔ)設(shè)施中，分析從這些攝像頭中獲得的信息，有助于交通系統(tǒng)更安全、更智能。

然而，目前因?yàn)橐恍┰颍麄冞€沒能利用到這些潛在的信息。首先是數(shù)據(jù)質(zhì)量很糟糕，此外缺乏數(shù)據(jù)標(biāo)簽，最后缺乏能夠?qū)?shù)據(jù)轉(zhuǎn)化為有用信息的高質(zhì)量模型，另外還需要支持從端到云分析的平臺來加速模型的開發(fā)和部署。

而此次的 NVIDIA AI City Challenge workshop 將特別關(guān)注這些問題，例如分析交通流量特征（如車速），大力開展使用無人監(jiān)督的方法來檢測車輛相撞、停車引起的異常現(xiàn)象等等。

雖然目前計(jì)算機(jī)視覺，特別是深度學(xué)習(xí)已經(jīng)在大規(guī)模的實(shí)際部署上有所貢獻(xiàn)，這將有助于使城市變得更聰明、更安全，但英偉達(dá)希望征求大家更多的點(diǎn)子。

為了減少對監(jiān)督式方法的依賴，而更多的關(guān)注于遷移學(xué)習(xí)、非監(jiān)督和半監(jiān)督的方法，他們在這次 workshop 上組織此次競賽，優(yōu)秀成果將在 workshop 上進(jìn)行展示。

參賽者可以在以下三個(gè)挑戰(zhàn)中選擇參加一個(gè)或多個(gè)，想獲得獎(jiǎng)品的參賽隊(duì)伍需要提交代碼，以便于主辦方驗(yàn)證。

Track 1: 交通流量分析（Traffic Flow Analysis）

參賽隊(duì)伍需要提交預(yù)估車速。測試集是 27 個(gè) 1 分鐘的視頻。

Track 2:異常檢測（Anomaly Detection）

參賽隊(duì)伍將提交檢測到的前一百個(gè)異常情況，這可能是由于汽車相撞或車輛停滯造成的。異常情況不包括正常的交通堵塞。

Track 3: 多場景車輛檢測和鑒定（Multi-camera Vehicle Detection and Reidentification）

參賽隊(duì)伍需要在 15 個(gè)視頻中，識別出在 4 個(gè)不同地點(diǎn)中均至少出現(xiàn)過一次的車輛。

而他們?yōu)閰①愡x手提供的獎(jiǎng)品也很英偉達(dá)：

Track 1 中，冠軍和亞軍獎(jiǎng)品是 Jetson TX2；

Track 2 中，冠軍獎(jiǎng)勵(lì)是 Titan Xp1，亞軍獎(jiǎng)勵(lì)是 Jetson TX2；

Track 3 中，冠軍獎(jiǎng)勵(lì)是 Tesla V100，亞軍獎(jiǎng)勵(lì)是 Jetson TX2。

比賽詳細(xì)信息：https://www.aicitychallenge.org/

DeepGlobe 衛(wèi)星圖像理解挑戰(zhàn)

據(jù)主辦方介紹，與傳統(tǒng)圖像相比，衛(wèi)星圖像非常強(qiáng)大，它包含更多的結(jié)構(gòu)化、一致的數(shù)據(jù)。盡管計(jì)算機(jī)視覺社群目前已經(jīng)在利用深度學(xué)習(xí)，基于日常圖像數(shù)據(jù)集，完成了一些極具挑戰(zhàn)的任務(wù)，但衛(wèi)星圖像最近才獲得關(guān)注，基于衛(wèi)星圖像可以對地圖和人口進(jìn)行分析。

這個(gè) workshop 旨在將不同研究人員聚集與此，以推進(jìn)衛(wèi)星圖像分析頂尖技術(shù)的進(jìn)展。

為了讓更多人關(guān)注這些技術(shù)，主辦方推出 DeepGlobe 衛(wèi)星圖像理解挑戰(zhàn)（DeepGlobe Satellite Image Understanding Challenge），該挑戰(zhàn)賽基于三種不同的衛(wèi)星圖像理解任務(wù)。

為這次競賽準(zhǔn)備的數(shù)據(jù)集可以作為未來分析研究衛(wèi)星圖像的參考基準(zhǔn)。此外，由于挑戰(zhàn)任務(wù)將涉及到實(shí)拍圖片（in the wild）中的經(jīng)典計(jì)算機(jī)視覺問題，這些數(shù)據(jù)集極具價(jià)值，有可能成為產(chǎn)生健壯視覺算法的溫床，而不僅僅只是局限在遙感技術(shù)的范圍。

DeepGlobe 包含如下三種挑戰(zhàn):

• 道路提?。╮oad extraction）

在災(zāi)區(qū)，特別是發(fā)展中國家，地圖和可獲得的信息對于危機(jī)應(yīng)對至關(guān)重要。這項(xiàng)挑戰(zhàn)是從衛(wèi)星圖像中自動(dòng)提取道路和街道網(wǎng)絡(luò)。這是一個(gè)二元分割問題，需要檢測每一區(qū)域所有道路的像素。對這項(xiàng)競賽的評估將基于道路像素的準(zhǔn)確度。

• 建筑物探測（building detection）

人口動(dòng)態(tài)建模對災(zāi)害響應(yīng)和恢復(fù)具有重要意義，而對建筑物和城市區(qū)域的檢測是實(shí)現(xiàn)建模的關(guān)鍵。這項(xiàng)挑戰(zhàn)的目的是從衛(wèi)星圖像中自動(dòng)探測建筑物。這一問題也是二元分割問題，需要找出每個(gè)區(qū)域所有不同建筑的位置。評估是基于檢測到的建筑邊緣與地面實(shí)況的重疊情況。

• 土地分類（land cover classification）

對地表自動(dòng)分類和切割對可持續(xù)發(fā)展、農(nóng)耕和城市規(guī)劃具有重要意義。這一挑戰(zhàn)是個(gè)多類分割任務(wù)，需要探測城市、耕地、牧場、森林、水源、荒地和未知區(qū)域。評估是基于類別標(biāo)簽的準(zhǔn)確性。

參賽者可提交一個(gè)或多個(gè)挑戰(zhàn)的結(jié)果。主辦方呼吁大家提交的結(jié)果包括新的技術(shù)、正在審查的方法和已經(jīng)出版的方法。每項(xiàng)挑戰(zhàn)的前三名都將獲得獎(jiǎng)勵(lì)，獲勝者將會(huì)在 DeepGlobe CVPR 2018 workshop 上進(jìn)行口頭陳述，每一挑戰(zhàn)的前五名將受邀請進(jìn)行海報(bào)展示。主辦方還將在 workshop 上發(fā)表一些選定的論文。

當(dāng)然了，上面介紹的那些比賽并不是全部，大家可以點(diǎn)擊：http://cvpr2018.thecvf.com/program/workshops，查看更多 workshop 比賽信息，看看是否有你感興趣的主題。

（完）雷鋒網(wǎng) AI 研習(xí)社編譯整理

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。