今晚19:30 | 智能制造产业升级过程中的计算机视觉问题 CVPR2022论文预讲-2

本文主要是介绍今晚19:30 | 智能制造产业升级过程中的计算机视觉问题 CVPR2022论文预讲-2，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

3月23日、24晚19:30，AI TIME 智能制造产业升级过程中的计算机视觉问题 CVPR2022论文预讲专场活动我们邀请了来自香港中文大学的姚旭峰博士、胡涛博士、周昆博士以及田倬韬博士开启两场CVPR2022论文预讲专场！

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号预约直播

CVPR2022论文预讲二

3月24日晚 7:30-8:30

AI TIME 特别邀请香港中文大学周昆博士、田倬韬博士为大家带来精彩分享。

★ 嘉宾简介 ★

周昆

香港中文大学（深圳）理工学院博士一年级在读，并在思谋科技从事计算机视觉算法与系统的研发工作。主要研究兴趣与方向包含三维人体姿态和网格估计、图像与视频超分辨率、视频去模糊、视频去噪、视频插帧、图像增强等。在T-PAMI, CVPR, ICCV, NeurIPS, AAAI等国际期刊和会议上发表多篇一作/共同一作论文。所研发出的基于单张彩图估计三维人体姿态与网格的技术- HEMlets PoSh曾在所有相关主流评测集上排名最前列；其在视频和图像画质增强方面的算法工作成功的贡献和应用于多个（高清、超高清和VR）视频画质增强与修复的项目与产品中。

内容分享：重新审视视频修复中的时序对齐问题

视频修复,包括但不限于视频超分辨率，视频去模糊和视频去噪,是计算机视觉中的重要问题。准确的时序对齐在视频修复任务中起到关键的作用。其中长距离的时序对齐充满挑战。近期有一些方法尝试采用渐进式的多步对齐策略来缓解这一问题。然而，这种渐进式的对齐方式容易引入累积误差，导致不理想的视频修复效果。本文重新审视了现有两种主流的时序对齐方法，并提出了一种迭代式的时序对齐策略。具体而言，对于多个长距离的对齐，我们采用迭代优化的方式消除多步对齐的累积误差。同时，为了提高融合的性能，我们提出了一种基于时序信息准确性和时序信息一致性约束策略。基于在多个数据集上充分的定量与定性实验对比，我们的方法在视频超分辨率、视频去噪和视频去模糊三个任务中均取得了SOTA的性能，同时还能保持运行速度、模型大小与显存的优势。

田倬韬：

香港中文大学计算机科学与工程系博士四年级在读，2018年从哈尔滨工业大学计算机学院珠峰计划班获得工学学位。目前主要研究兴趣与方向包含语义分割、半监督分割、小样本分割等。长期受邀担任CVPR, ECCV, ICCV, IJCV, ICLR, AAAI等国际期刊和会议的审稿人, 在T-PAMI, CVPR, ICCV知名期刊和会议上发表多篇一作/共同一作论文。曾于ICDAR2019 Arbitrary Scene Text Recognition Challange 获得第二名。

内容分享：广义小样本语义分割

训练语义分割模型需要大量精细标注的数据，所以模型很难快速适应只有少量数据未见过的新类别。经典小样本分割 (FS-Seg) 以许多限制条件解决了这个问题。因此，为了更好地符合实际应用的需求，通过减少经典场景的约束，本工作提出了广义小样本语义分割(GFS-Seg)。作为对于经典小样本语义分割的拓展，GFS-Seg需要在没有新目标类别信息的情况下，同时分割出所有可能存在的见过和没见过的类别。同时，本文说明了当下具有代表性的 FS-Seg 方法在 GFS-Seg 上表现不佳，且性能差异主要受限于 FS-Seg的约束：1.需要已知目标类别信息，来分割出测试图中的特定区域；2.只关注未见过类别的分割效果，不关注已经见过的类别上性能。此外，由于上下文的环境信息对于语义分割至关重要，我们提出了环境感知原型学习 (CAPL)，CAPL能让分类器中的类别原型能够更好地描述不同样本的特征分布，以达到更好的性能。CAPL能够被轻松泛化应用到常见的语义分割模型（如PSPNet和DeepLab）上，且其在FS-Seg和GFS-Seg的两个基准数据集(Pascal-VOC以及COCO)上都取得了优异的性能。

直播结束后大家可以在群内进行提问，请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“cvpr，将拉您进“AI TIME CVPR2022 交流群”！