计算机视觉最新进展概览2021年10月10日到2021年10月17日

1、DETR3D: 3D Object Detection from Multi-view Images via 3D-to-2D Queries

我们介绍了一个多摄像机三维物体检测框架。 与现有的直接从单目图像估计三维边界框或使用深度预测网络从二维信息生成用于三维目标检测的输入相比，我们的方法直接在三维空间操作预测。 我们的体系结构从多个摄像机图像中提取2D特征，然后使用一组稀疏的3D对象查询来索引这些2D特征，使用摄像机变换矩阵将3D位置与多视图图像连接起来。 最后，我们的模型对每个对象查询进行边界框预测，使用集到集的损失来测量地面真实值和预测值之间的差异。 这种自顶向下的方法优于自底向上的方法，后者的对象边界盒预测遵循逐像素深度估计，因为它不受深度预测模型引入的合成误差的影响。 此外，该方法不需要进行非最大抑制等后处理，大大提高了推理速度。 我们在nuScenes自动驾驶基准上取得了最先进的性能。  

2、Object DGCNN: 3D Object Detection using Dynamic Graphs

三维目标检测通常涉及复杂的训练和测试流程，这需要对单个数据集的大量领域知识。 受当前非最大无抑制二维目标检测模型的启发，我们提出了一种基于点云的三维目标检测体系结构。 我们的方法将三维目标检测建模为动态图上传递的消息，将DGCNN框架推广到预测一组目标。 在我们的构建中，我们去掉了通过对象置信聚合或非最大抑制进行后处理的必要性。 为了便于从稀疏点云中进行目标检测，我们还提出了一种定制的集到集蒸馏方法。 该方法以置换不变的方式将教师模型和学生模型的输出进行对齐，显著简化了三维检测任务的知识提取。 我们的方法在自动驾驶基准上达到了最先进的性能。 我们还提供了丰富的检测模型和蒸馏框架分析。  

3、Morphable Detector for Object Detection on Demand

许多智能机器人的新兴应用需要探索和理解新的环境，在这些环境中，人们希望用最少的在线努力来动态检测新类的对象。 这是一个按需对象检测(ODOD)任务。 这是具有挑战性的，因为不可能在动态中注释大量数据，嵌入式系统通常无法执行对训练至关重要的反向传播。 大多数现有的少射击检测方法都需要额外的训练。 我们提出了一种新的变形检测器(MD)，简单地“变形”它的一些可变参数在线估计从少数样本，从而检测新的类不需要任何额外的训练。 MD有两组参数，一组用于特征嵌入，另一组用于类表示(称为“原型”)。 每个类都与一个隐藏的原型相关联，通过集成可视化和语义嵌入来学习。 MD的学习是基于特征嵌入和原型的一种类em方法的交替学习，允许从一个新类的几个样本中恢复一个未知的原型。 一旦MD被学习，它就能够使用一个新类的一些样本直接计算它的原型来完成在线变形过程。 在Pascal、COCO和FSOD数据集中显示了MD的优越性。 该代码是可用的https URL。  

4、BEV-Net: Assessing Social Distancing Compliance by Joint People Localization and Geometric Reasoning

保持社会距离是限制传染病传播的重要公共卫生措施，自新冠肺炎疫情爆发以来受到了广泛关注。 在这项工作中，考虑了在繁忙的公共区域，有宽视场摄像机的视觉社会距离遵守评估的问题。 介绍了一个以鸟瞰视角(BEV)和地面真实为度量距离的人群场景数据集，并提出了社会距离检测系统的评价措施。 提出了一个多分支网络BEV-Net，以世界坐标定位个体，并识别违反社交距离的高危区域。 BEV- net结合了头脚位置检测、相机姿态估计、可微单应性模块将图像映射到BEV坐标，以及几何推理来生成场景中人的位置的BEV地图。 在复杂拥挤场景上的实验证明了该方法的强大功能，并显示了优于文献中方法的基线性能。 最后讨论了公共卫生决策者感兴趣的应用。 数据集、代码和预训练模型在GitHub上公开。  

5、Learned Robust PCA: A Scalable Deep Unfolding Approach for High-Dimensional Outlier Detection

鲁棒主成分分析(Robust principal component analysis, RPCA)是现代机器学习中的一个关键工具，用于检测低秩矩阵重构任务中的异常值。 在本文中，我们提出了一种可扩展和可学习的高维RPCA问题的非凸方法，我们称之为学习鲁棒PCA (LRPCA)。 LRPCA是一种高效的算法，它的自由参数可以通过深度展开进行有效学习和优化。 此外，我们通过一种新的前馈-递归-混合神经网络模型，将深度展开从有限迭代扩展到无限迭代。 我们建立了在温和的RPCA假设下的LRPCA恢复保证。 数值实验表明，在合成数据集和实际应用中，LRPCA算法的性能都优于目前最先进的RPCA算法，如ScaledGD和AltProj。