VALSE2019后，我们收获了什么？| 爱莫分享会

第九届视觉与学习青年学者研讨会（Vision And Learning SEminar, VALSE）于2019年4月11日—14日在合肥市大湖名城成功举办并顺利落幕。

爱莫小分队在听完88场精彩学术报告、多场论文Poster、37篇论文的Spotlight宣讲、137个Demo系统的精彩展示后，收获颇丰，带着意犹未尽的感觉踏上返程。

领略完学术华尔兹风采后，爱莫特派算法大神@ jianan为大家分享此行收获以及自己的学术见解。

「技术分享内容」

此次分享分别从检测、跟踪、行为识别和行人重识别四个方面对计算机视觉进行了分析。

一、检测

检测主要面临问题：小物体、正负样本比失衡、遮挡、速度等问题，造成对目标的检测失败或无法识别。@ jianan 主要分析了两种解决方法：

1、Two-stage: 先做region proposal，再做class/regression/mask等

2、One-stage: 不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，速度快。

深入了解请戳：检测

二、跟踪

@ jianan分析了关于单目标跟踪和多目标跟踪的问题和解决方法。

也提出了新的疑问：

跟踪目标的运动预测和相似度判别，即如何准确的区分每一个目标？
跟踪目标之间的交互和遮挡处理如何做？
跟丢目标再次出现时，如何进行再识别？

深入了解请戳：跟踪

三、行为识别

如何准确判断和识别人体行为，比如在打斗识别当中，被一拳击倒在地，和幸福的倒在床上，其面画本质上没有区别，模型可能能看到人这个运动主体，但它并不知道其interact的对象是ground还是bed，是和朋友打闹中躺下还是被恶意击倒。

深入了解请戳：行为识别

四、行人再识别

行人重识别一般包括行人检测(person detection), 行人跟踪 (person tracking) 和行人查询 (person retrieval) 几个流程。

因为行人出现在摄像头时会有不同的朝向、拍摄视角、分辨率、清晰度，还有不同程度的遮挡，造成了同一个identity的图像差异巨大，使得再识别难度很大。

深入了解请戳：行人再识别

「水果time」

分享的过程不应全是严肃，它因为水果的加入更多了一些生动。

贯彻了公司每日的下午茶福利，与技术分享会融合，既是对一天紧张工作的情绪释放，也是另一种有趣的学习过程。

交流过程中，@ jianan认真地将自己对算法的一些见解向我们阐述，让不同岗位的同事更深层次地了解了算法的奥妙。

「写在最后」

每年的VALSE大会对参与者来说是新思路的开拓，但想要真正走出属于自己的道路还得依靠自身的探索。

在吸收各路大咖的经验之后，爱莫的小伙伴吸收了其中的精华，并融入了自己的见解，能更快地开辟出一条属于爱莫自己的人工智能之路。