CVPR的熱度還未褪去，ECCV（歐洲計(jì)算機(jī)視覺(jué)大會(huì)）又要在下個(gè)月到來(lái)啦！和所有今年的會(huì)議一樣，原定于英國(guó)格拉斯哥舉行的第16屆ECCV 2020也全部轉(zhuǎn)移到線上進(jìn)行了。下面讓我們一起來(lái)看看今年的ECCV都有哪些值得關(guān)注的內(nèi)容，前排占位、提前觀看！

在正式開(kāi)始之前

我“門(mén)”還有一份驚喜禮物送給大家

▼

連續(xù)三年在CVPR搞事情的我“門(mén)”

今年將首次“進(jìn)軍”ECCV

將往年的線下大趴體搬到云端進(jìn)行

延續(xù)往年傳統(tǒng)：大佬新星一個(gè)都不能少

創(chuàng)新活動(dòng)形式：云端聚會(huì)暢聊CV新進(jìn)展

更多驚喜，靜等8月初的官宣哦～

ECCV2020 概覽

本次ECCV共收到了5025篇有效投稿，接收論文1361篇。其中被選為口頭報(bào)告的論文104篇，焦點(diǎn)論文161篇。雖然所有的分享和互動(dòng)改為線上進(jìn)行，但高質(zhì)量的研究和ppt將通過(guò)視頻向世界各地的參會(huì)者呈現(xiàn)。這些內(nèi)容將會(huì)在會(huì)議正式開(kāi)始前一周向參會(huì)者開(kāi)放，研究人可以提前觀看視頻從而為正式會(huì)議的交流做好準(zhǔn)備。

值得一提的是，針對(duì)在線會(huì)議的特點(diǎn)，所有的論文視頻還提供了一兩分鐘速覽版的短視頻和完整10分鐘版本的長(zhǎng)視頻，方便大家在短時(shí)間內(nèi)快速瀏覽所有的會(huì)議內(nèi)容，并篩選出自己感興趣的內(nèi)容進(jìn)行詳細(xì)觀看。

此外，教程和研討會(huì)部分也是會(huì)議最為重要的交流場(chǎng)合了。這次ECCV將舉辦45場(chǎng)研討會(huì)，涵蓋了圖像處理、三維重建、視覺(jué)感知等不同的研究領(lǐng)域和生物圖像、自動(dòng)駕駛、多媒體處理、機(jī)器人等廣泛的應(yīng)用領(lǐng)域，為各個(gè)領(lǐng)域的研究人員都提供了交流的平臺(tái)。

針對(duì)最新的研究成果、技術(shù)和設(shè)備，會(huì)議還將舉辦16個(gè)教程為參會(huì)人員提供最新的研究工具、技術(shù)、軟件和新的計(jì)算理論及研究方法。整個(gè)教程部分將涵蓋視覺(jué)識(shí)別、計(jì)算機(jī)視覺(jué)加速、模型訓(xùn)練、數(shù)據(jù)效率、自動(dòng)網(wǎng)絡(luò)搜索等方面展開(kāi)。

Oral論文

Oral部分精選了會(huì)議投稿中最為出彩、最具特征的論文，它們要么提出了新的想法和觀點(diǎn)、要么從不同的視角創(chuàng)造性地解決了先前的問(wèn)題，要么在原有的指標(biāo)上有了大幅提升。

我們將104篇Oral論文歸納為了以下類別，包括各種新穎的計(jì)算理論和計(jì)算方法、提升圖像質(zhì)量的增強(qiáng)補(bǔ)全超分辨等、空間與幾何相關(guān)的多視角問(wèn)題、深度估計(jì)與三維重建、廣泛使用的目標(biāo)檢測(cè)、實(shí)例分割、位姿估計(jì)與行為分析等應(yīng)用，還包括了神經(jīng)網(wǎng)絡(luò)架構(gòu)、可解釋性等方面的深入研究。此外還有涉及時(shí)尚、服裝等領(lǐng)域的數(shù)據(jù)集呈現(xiàn)。

下面我們將快速瀏覽其中一些有意思的工作，從研究問(wèn)題方法和架構(gòu)上了解目前視覺(jué)領(lǐng)域的前沿進(jìn)展。

針對(duì)立體視覺(jué)領(lǐng)域的研究，有來(lái)自電子科技大學(xué)與曠視合作的非監(jiān)督單應(yīng)性估計(jì)算法，提出了一種新的架構(gòu)來(lái)解決計(jì)算過(guò)程中圖像特征質(zhì)量的影響，針對(duì)低紋理、低光照、前景移動(dòng)等場(chǎng)景下都能取得良好的效果。

下圖展示了整體的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)兩個(gè)圖像輸入，經(jīng)過(guò)特征抽取器f和掩膜預(yù)測(cè)器m，得到的特征隨后被送入單應(yīng)性預(yù)測(cè)器中來(lái)預(yù)測(cè)八個(gè)單應(yīng)性矩陣參數(shù)。其中引入了triple loss來(lái)訓(xùn)練網(wǎng)絡(luò)，最小化變化后的特征距離、最大化仿射變換前的特征距離。