江苏龙网

  1. 首页 > 资讯 > 科技 > >

AI人工智能|腾讯优图8篇论文入选，涵盖目标跟踪、行人重识别、人脸识别等领域


北京联盟_本文原题：腾讯优图8篇论文入选 ， 涵盖目标跟踪、行人重识别、人脸识别等领域

AI人工智能|腾讯优图8篇论文入选，涵盖目标跟踪、行人重识别、人脸识别等领域
本文插图

摘要
近日 ， 计算机视觉方向的三大国际顶级会议之一的ECCV 2020公布论文获奖结果 。 本次ECCV 2020有效投稿5025篇 ， 最终被接受发表论文1361篇 ， 录取率为27% ， 较上届有所下降 。 其中 ， oral的论文数为104篇 ， 占提交总量的2%；spotlight的数目为161篇 ， 占提交总量的5%；其余论文均为poster 。
近日 ， 计算机视觉方向的三大国际顶级会议之一的ECCV 2020公布论文获奖结果 。 本次ECCV 2020有效投稿5025篇 ， 最终被接受发表论文1361篇 ， 录取率为27% ， 较上届有所下降 。 其中 ， oral的论文数为104篇 ， 占提交总量的2%；spotlight的数目为161篇 ， 占提交总量的5%；其余论文均为poster 。
ECCV （European Conference on Computer Vision ， 即欧洲计算机视觉国际会议)是国际顶尖的计算机视觉会议之一 ， 每两年举行一次 。 随着人工智能的发展 ， 计算机视觉的研究深入和应用迅速发展 ， 每次举行都会吸引大量的论文投稿 ， 而今年ECCV的投稿量更是ECCV 2018的两倍还多 ， 创下历史新高 。 在竞争越来越激烈的情况下 ， 本次ECCV 腾讯优图实验室共入选8篇论文 ， 涵盖目标跟踪、行人重识别、人脸识别、人体姿态估计、动作识别、物体检测等热门及前沿领域 ， 再次展示了腾讯在计算机视觉领域的科研及创新实力 。
以下为部分腾讯优图入选ECCV 2020的论文：
01
链式跟踪器：基于目标对回归的端到端联合检测跟踪算法
Chained-Tracker:
Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking
现有的多目标跟踪（MOT）算法大多是基于传统的先检测后跟踪的框架 ， 包含目标检测、特征提取、目标关联这三个模块 ， 还有少数MOT算法将三个模块中的某两个融合实现部分端到端跟踪 ， 本文提出了一种链式跟踪算法Chained-Tracker（CTracker） ， 业内首创两帧输入模式 ， 可将上述三个模块集成至单个网络中 ， 实现端到端联合检测跟踪 ， 是第一个将跟踪算法中的目标关联问题转化为两帧检测框对（Box pair）回归问题的算法 。 网络的输入为相邻两帧 ， 称之为节点（Chain node） ， 网络的输出为表示同一个目标在相邻两帧中的检测框对 ， 相邻节点的检测框对可通过共同帧关联 。 为进一步提高跟踪效果 ， 我们还设计了联合注意力模块来突出检测框对回归中的有效信息区域 ， 包括目标分类分支中的目标注意力机制和身份验证分支中的身份注意力机制 。 在不引入额外数据的情况下 ， CTracker在MOT16和MOT17上均获得了SOTA的结果 ， MOTA分别为67.6和66.6 。
算法框架图：

AI人工智能|腾讯优图8篇论文入选，涵盖目标跟踪、行人重识别、人脸识别等领域
本文插图

网络结构图：

AI人工智能|腾讯优图8篇论文入选，涵盖目标跟踪、行人重识别、人脸识别等领域
本文插图

02
请别来打扰我：在其他行人干扰下的行人重识别
Do Not Disturb Me：
Person Re-identification Under the Interference of Other Pedestrians
传统的行人重识别假设裁剪的图像只包含单人 。 然而 ， 在拥挤的场景中 ， 现成的检测器可能会生成多人的边界框 ， 并且其中背景行人占很大比例 ， 或者存在人体遮挡 。 从这些带有行人干扰的图像中提取的特征可能包含干扰信息 ， 这将导致错误的检索结果 。 为了解决这一问题 ， 本文提出了一种新的深层网络（PISNet） 。 PISNet首先利用Query图片引导的注意力模块来增强图片中目标的特征 。 此外 ， 我们提出了反向注意模块和多人分离损失函数促进了注意力模块来抑制其他行人的干扰 。 我们的方法在两个新的行人干扰数据集上进行了评估 ， 结果表明 ， 该方法与现有的Re-ID方法相比具有更好的性能 。


推荐阅读


上一篇：孩子王|孩子王母婴服务运营难言合规：商户被指无相关资质却称可“周旋”

下一篇：行程|滴滴将推新打车服务“花小猪” 面向年轻人市场