全球計算機視覺頂會CVPR 2019論文出爐:騰訊優圖25篇論文入選

全球計算機視覺頂級會議 IEEE CVPR 2019(Computer Vision and Pattern Recognition，即IEEE國際計算機視覺與模式識別會議) 即將於6月在美國長灘召開。本屆大會總共錄取來自全球論文1299篇。中國團隊表現不俗，此次，騰訊公司有超過58篇論文被本屆CVPR大會接收，其中騰訊優圖實驗室25篇、騰訊AI Lab33篇，相比過去兩年成績大幅提升。

作為計算機視覺領域級別最高的研究會議，CVPR2019錄取論文代表了計算機視覺領域在2019年最新和最高的科技水平以及未來發展潮流。CVPR官網顯示，今年有超過5165篇的大會論文投稿，最終錄取1299篇。這些錄取的最新科研成果，涵蓋了計算機視覺領域各項前沿工作。2019年騰訊公司有超過58篇論文被本屆CVPR大會接收 ，其中騰訊AI Lab33篇、騰訊優圖實驗室25篇。而2018年總計被收錄31篇，2017年被收錄18篇。2019年的錄取數量相比前兩年都有大幅提高，成績斐然。

騰訊此次被收錄的論文涵蓋深度學習最佳化原理、視覺對抗學習、人臉建模與識別、影片深度理解、行人重識別、人臉檢測等熱門及前沿領域。全球領先的科研成果，展示了騰訊在計算機視覺領域強大的人才儲備、科研底蘊和創新能力。這些新穎的計算機視覺演算法不僅有著豐富的應用場景，使得更多的計算機視覺演算法能應用於日常生活之中，還為後續研究提供了可貴的經驗和方向。

以下介紹部分騰訊優圖入選CVPR2019的論文：

相對於有監督行人重識別（RE-ID）方法，無監督RE-ID因其更佳的可擴充套件性受到越來越多的研究關注，然而在非交疊的多相機檢視下，標籤對（pairwise label）的缺失導致學習鑑別性的資訊仍然是非常具有挑戰性的工作。為了克服這個問題，我們提出了一個用於無監督RE-ID的軟多標籤學習深度模型。該想法透過將未標註的人與輔助域裡的一組已知參考者進行比較，為未標註者標記軟標籤（類似實值標籤的似然向量）。基於視覺特徵以及未標註目標對的軟性標籤的相似度一致性，我們提出了軟多標籤引導的hard negative mining方法去學習一種區分性嵌入表示（discriminative embedding）。由於大多數目標對來自交叉視角，我們提出了交叉視角下的軟性多標籤一致性學習方法，以保證不同視角下標籤的一致性。為實現高效的軟標籤學習，引入了參考代理學習(reference agent learning)。我們的方法在Market-1501和DukeMTMC-reID上進行了評估，顯著優於當前最好的無監督RE-ID方法。

Visual Tracking via Adaptive Spatially-Regularized Correlation Filters

基於自適應空間加權相關濾波的視覺跟蹤研究

本文提出自適應空間約束相關濾波演算法來同時最佳化濾波器權重及空間約束矩陣。首先，本文所提出的自適應空間約束機制可以高效地學習得到一個空間權重以適應目標外觀變化，因此可以得到更加魯棒的目標跟蹤結果。其次，本文提出的演算法可以透過交替迭代演算法來高效進行求解，基於此，每個子問題都可以得到閉合的解形式。再次，本文所提出的跟蹤器使用兩種相關濾波模型來分別估計目標的位置及尺度，可以在得到較高定位精度的同時有效減少計算量。大量的在綜合資料集上的實驗結果證明了本文所提出的演算法可以與現有的先進演算法取得相當的跟蹤結果，並且達到了實時的跟蹤速度。

Adversarial Attacks Beyond the Image Space

超越影像空間的對抗攻擊

在分類和視覺問答問題的任務中，我們在接收2D輸入的神經網路前邊增加一個渲染模組來擴充現有的神經網路。我們的方法的流程是：先將3D場景（物理空間）渲染成2D圖片（圖片空間），然後經過神經網路把他們對映到一個預測值（輸出空間）。這種對抗性干擾方法可以超越影像空間。在三維物理世界中有明確的意義。雖然影像空間的對抗攻擊可以根據畫素反照率的變化來解釋，但是我們證實它們不能在物理空間給出很好的解釋，這樣通常會具有非區域性效應。但是在物理空間的攻擊是有可能超過影像空間的攻擊的，雖然這個比影像空間的攻擊更難，體現在物理世界的攻擊有更低的成功率和需要更大的干擾。

Learning Context Graph for Person Search

基於上下文圖網絡的行人檢索模型

本文由騰訊優圖實驗室與上海交通大學主導完成。

近年來，深度神經網路在行人檢索任務中取得了較大的成功。但是這些方法往往只基於單人的外觀資訊，其在處理跨攝像頭下行人外觀出現姿態變化、光照變化、遮擋等情況時仍然比較困難。本文提出了一種新的基於上下文資訊的行人檢索模型。所提出的模型將場景中同時出現的其他行人作為上下文資訊，並使用卷積圖模型建模這些上下文資訊對目標行人的影響。我們在兩個著名的行人檢索資料集CUHK-SYSU和PRW的兩個評測維度上重新整理了當時的世界紀錄，取得了top1的行人檢索結果。