今晚7:30 | CVPR专场二来了！

AITIME论道

于 2021-07-28 10:33:33 发布

阅读量236

点赞数

文章标签：人工智能计算机视觉推荐系统深度学习机器学习

原文链接：http://www.aitime.cn/

版权

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

7月28日 19:30~21:00

‍AI TIME特别邀请了来自南洋理工大学、香港科技大学的博士，来为大家带来分享！

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号

观看直播

链接：https://live.bilibili.com/21813994

★ 嘉宾介绍 ★

牛玉磊：

南洋理工大学博士后研究员，本科及博士毕业于中国人民大学。主要研究方向为因果推断、视觉与语言。曾获Visual Dialog Challenge 2019冠军，ICLR 2021杰出审稿人，入选CVPR 2020 Doctoral Consortium。

个人主页：

https://yuleiniu.github.io

报告题目：

反事实视觉问答：

因果推断视角下的语言偏差

内容简介：

语言偏差是视觉问答任务面临的重要挑战。当训练数据中的问题和答案具有较强的相关性时，传统视觉问答模型会倾向于记忆训练数据的语言相关性，从而忽视了对视觉内容的理解与利用。本报告中，讲者将介绍如何通过因果推断的角度审视语言偏差，以及如何通过反事实推理克服语言偏差。

论文链接：

https://arxiv.org/pdf/2006.04315.pdf

白旭阳：

香港科技大学计算机系在读博士，师从戴秋兰教授。主要研究方向为三维视觉，曾在三维点云配准、点云语义分割和图像配准领域发表论文，CVPR2020的论文入选口头报告，本次报告的内容为CVPR2021上关于点云配准的一篇文章。

个人主页：

https://xuyangbai.github.io/

报告题目：

PointDSC: Robust Point Cloud Registration

using Deep Spatial Consistency

内容简介：

Removing outlier correspondences is one of the critical steps for successful feature-based point cloud registration. Despite the increasing popularity of introducing deep learning methods in this field, spatial consistency, which is essentially established by a Euclidean transformation between point clouds, has received almost no individual attention in existing learning frameworks. In this paper, we present PointDSC, a novel deep neural network that explicitly incorporates spatial consistency for pruning outlier correspondences. First, we propose a nonlocal feature aggregation module, weighted by both feature and spatial coherence, for feature embedding of the input correspondences. Second, we formulate a differentiable spectral matching module, supervised by pairwise spatial compatibility, to estimate the inlier confidence of each correspondence from the embedded features. With modest computation cost, our method outperforms the state-of-the-art hand-crafted and learning-based outlier rejection approaches on several real-world datasets by a significant margin. We also show its wide applicability by combining PointDSC with different 3D local descriptors.

论文链接：

https://arxiv.org/abs/2103.05465

李世超：

香港科技大学计算机系在读博士，师从郑光廷教授，本科毕业于浙江大学。其研究兴趣包括三维视觉和机器学习，参与过的研究课题有三维目标检测，姿态估计，基于物理的数值仿真等。其在CVPR, ECCV, T-PE, T-ED等会议和期刊发表过论文，且CVPR 2020的论文入选口头报告。

个人主页：

https://nicholasli1995.github.io/

报告题目：

Exploring intermediate representation

for monocular vehicle pose estimation

内容简介：

我们在这项工作中提出一种从单张RGB图片估计车辆在相机坐标系中姿态的方法。与传统方法不同的是，我们不采用先估计观测角再进行转换的二步方法，而是通过提取有几何意义的中间特征直接估计车辆姿态。如何设计这样的中间特征并有效地监督模型学习这样的特征是本文主要探索的研究问题。我们提出用一种插值立方体的表示编码车辆的朝向，并定义其在图片的投影点坐标作为中间几何特征。这样的定义只使用原始的标注从而不依赖于更富有细节的标注。这样定义中间特征同时引入了基于投影不变量的先验知识。我们根据这样的先验信息提出了一项可以在无标注数据上计算的损失函数，从而可以利用无标注的数据监督中间特征的学习。本文实现的基于单目相机的系统在KITTI数据集上取得了良好的车辆姿态估计精度，甚至可以与一些双目系统相比。相关的代码和预训练模型已经在项目网站开源。

论文链接：

https://github.com/Nicholasli1995/EgoNet

# 今日视频推荐 #

直播结束后我们会邀请讲者在微信群中与大家答疑交流，请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“cvpr”，将拉您进“AI TIME CVPR 会议交流群”！