计算机所学生参加CVPR 2018

2018年6月18日至22日,第31届IEEE国际计算机视觉与模式识别会议CVPR-2018 (The Thirtieth IEEE Conference on Computer Vision and Pattern Recognition)在美国盐湖城召开,CVPR是由IEEE举办的计算机视觉和模式识别领域的顶级会议,每年召开一次。计算机所研究生杨文瀚、黄鑫、门怡芳,本科生钱瑞参加了此次会议。

CVPR主要探讨计算机视觉与模式识别技术的突破和发展,一直以来受到了国际学术界的广泛关注。本次会议包含Workshop、Tutorial、口头报告、海报展示等多个环节,会议内容涉及底层视觉算法、物体检测、识别与跟踪、人体理解与行人再识别、三维场景理解与分析、深度生成式模型、视频与行为理解等多个研究领域。

计算机所学生在CVPR会场合影(左起:钱瑞、黄鑫、杨文瀚、门怡芳)

计算机所师生在本次会议上共发表了4篇长文,分别针对跨媒体知识迁移、雨滴去除、纹理迁移等进行了研究,并作了口头报告和海报展示。

论文信息如下:

[1] Xin Huang and Yuxin Peng. Deep Cross-media Knowledge Transfer. (Spotlight, Full paper)

本文提出了深度跨媒体知识迁移方法,能够基于大规模跨媒体数据进行知识迁移,解决了小规模跨媒体数据的训练样本不足问题。具体地,一方面提出两级迁移网络,在媒体级迁移中实现单媒体语义知识共享,在关联级迁移中实现跨媒体关联知识共享;另一方面提出渐进迁移机制,以源域模型作为参考模型进行迭代反馈,自适应地选择迁移难度由小到大的样本进行知识迁移,使得迁移过程能够逐渐减小跨媒体域间差异,提高了模型的鲁棒性与检索准确率。以本研究室构建的大规模跨媒体数据集XMediaNet为源域,以3个广泛使用的小规模跨媒体数据集为目标域进行知识迁移与检索,均取得了比现有方法更高的检索准确率。

黄鑫在CVPR-2018做展示

[2] Rui Qian, Robby T. Tan, Wenhan Yang, Jiajun Su and Jiaying Liu. Attentive Generative Adversarial Network for Raindrop Removal from A Single Image. (Spotlight, Full paper).

附着在玻璃窗户、挡风玻璃或镜头上的雨滴会阻碍背景场景的能见度,并降低图像的质量。图像质量降低的主要原因是有雨滴的区域与没有雨滴的区域相比,包含不同的映象。为了解决这个问题,本文使用生成对抗网络(GAN)。总的来说,除了引入一种新的雨滴去除方法外,本文的另一个主要贡献是将注意力图引入到生成网络和判别网络中,这是一种全新的方法,可以有效地去除雨滴。随后将发布代码和数据集。

钱瑞在CVPR-2018做展示

[3] Yifang Men, Zhouhui Lian, Yingmin Tang and Jianguo Xiao. A Common Framework for Interactive Texture Transfer. (Spotlight, Full paper)

本文提出了一种用户引导的纹理迁移通用框架,适用于多场景任务,如涂鸦变成艺术画作、编辑装饰性纹理、复杂特效字生成、纹理交换等。该技术基于传统的纹理合成技术,利用多个引导项动态引导合成过程,能够生成高质量的纹理迁移图片。

门怡芳在CVPR-2018做展示

[4] Jiaying Liu, Wenhan Yang, Shuai Yang, Zongming Guo. Erase or Fill? Deep Joint Recurrent Rain Removal and Reconstruction in Videos. (Poster, Full paper)

本文通过构建深度循环卷积网络来解决视频去雨问题。考虑了存在雨遮区域情况下的雨痕去除,即有些雨痕透光率很低的情况。不同于加性的雨痕,在雨遮挡区域中,背景图像的细节完全丢失。因此,本文提出了一个混合的模型同时描述雨痕和雨遮挡。通过利用时域上的冗余,本文建立一个联合的循环雨痕去除与重建网络(J4R-Net),无缝地进行联合的雨天降质分类、基于空域纹理外观的雨痕去除和基于时域一致性的背景细节重建。使用额外的信息,循环单元的门能够学习自动权衡雨痕去除与背景细节重建两者的重要性。一系列基于带有雨痕的合成视频和真实视频的大量实验,验证了所提出的方法相对于先前的最新方法的优越性。

杨文瀚在CVPR-2018做展示

CLOSE

上一篇 下一篇