作者 | 陳大鑫
近日，BMVC 2020最佳論文獎、最佳論文獎亞軍、最佳學生論文獎、最佳學生論文獎亞軍、最佳工業論文獎等五項大獎出爐。
其中最佳論文獎四位作者當中包含一作在內有三位是加利福尼亞大學戴維斯分校以及英偉達公司的國人/華人學生。
最佳學生論文獎以及最佳學生論文獎亞軍也是有國人/華人學生的存在,其中最佳學生論文獎亞軍由來自大連理工大學、香港城市大學、鵬城實驗室的三位同學獲得。
英國機器視覺會議（BMVC）是英國機器視覺協會（BMVA）的年度機器視覺、圖像處理和模式識別會議。它是在英國舉行的有關計算機視覺和相關領域的主要國際會議之一。隨著知名度和質量的不斷提高，它已成為視覺大會中享有盛譽的會議。
2018年的時候，AI科技評論有幸採訪到當年九月在英國紐卡斯爾召開的 BMVC的「總指揮」--英國東安格利亞大學計算機學院教授邵嶺。
作為當時會議的大會主席，邵嶺教授認為，BMVC 已經有三十年歷史，它其實是一場被低估的國際會議。
邵嶺教授對AI科技評論表示，「雖然它是一個國際會議，但名字裡有個 British，所以很多人會誤解它只是一個 local 的會議，間接影響了它的投稿和參與者數量。」
邵嶺教授繼續說道：
BMVC 其實已經有三十年的歷史了，被公認為是繼 ICCV/CVPR/ECCV 三大視覺頂會之後，排名第四的計算機視覺會議，很多知名教授（比如牛津大學的Andrew Zisserman）在 BMVC 上發表過很多文章。BMVC 這幾年知名度下降主要有以下三個原因：第一，雖然它是一個國際會議，但名字裡有個 British，所以很多人會誤解它只是一個地區性會議，間接影響了投稿論文和參與者數量。第二，很多國家的人，包括中國人去英國都需要另外辦理籤證，不像歐洲很多其他國家，只需要辦理一個申根籤證便可訪問，這也影響了 BMVC 的規模。第三，現在國內都會參照 CCF 的分類來選擇會議，可能有部分 CCF 委員對 BMVC 並不了解，把它排在了 C 類，這絕對是不準確的，事實上它應該被歸為 B 類會議。為了提升 BMVC 知名度，每一年的組織者都會盡力把會議辦到最好，邀請世界知名的學者做 keynote speakers。同時，我們也會嚴格把關審稿過程，儘量使審稿公平公正，以提升錄用文章的質量。此外，我們也會聯繫工業界贊助會議的一些獎項，提高大家投稿 BMVC 的積極性。每一屆 BMVC 也會組織一個 IJCV（International Journal of Computer Vision） 的 special issue，邀請最好的文章的作者，將其會議文章擴展後投到這個特刊。當然，我們也希望 CCF 在下一次對會議分類時，能更為準確地把 BMVC 分為 B 類，給予參與者更好的參考依據。
以下是今年BMVC 2020 五項大獎獲獎的具體詳情。
1
最佳論文獎
獲獎論文：《Delving Deeper into Anti-aliasing in ConvNets 》
論文連結：https://www.bmvc2020-conference.com/assets/papers/0547.pdf
代碼連結：https://maureenzou.github.io/ddac/
論文作者單位：加利福尼亞大學戴維斯分校、英偉達
論文摘要：
混疊（Aliasing）是指高頻信號在採樣後退化為完全不同的信號的現象。在深度學習的背景下，這是一個不容忽視的問題，因為下採樣層被廣泛地應用於深層網絡結構中，以減少參數和計算量。標準的解決方案是在下採樣前應用低通濾波器（filter），例如高斯模糊。然而，在整個內容中應用相同的過濾器可能是次優的，因為特徵映射的頻率可以在空間位置和特徵通道之間變化。
為了解決這一問題，我們提出了一種自適應的內容感知低通濾波層，它可以為輸入特徵映射的每個空間位置和信道組預測單獨的濾波器權重。我們研究了該方法在多個任務（包括ImageNet分類、COCO實例分割和Cityscapes語義分割）中的有效性和通用性。定性和定量結果表明，該方法能有效地適應不同的特徵頻率，以避免混疊，同時保留有用的識別信息。
2
最佳論文獎亞軍
獲獎論文：
《Key-Nets: Optical Transformation Convolutional Networks for Privacy Preserving Vision Sensors》
論文連結：https://www.bmvc2020-conference.com/assets/papers/0101.pdf
論文作者：
論文摘要：
現代相機的設計並不是以計算機視覺或機器學習作為目標應用。因此，我們需要一種新的視覺傳感器，通過設計這種傳感器來保護隱私、防止洩露隱私信息，體它只用於收集目標機器學習任務所需的信息。在本文中，我們介紹了一種密鑰網絡（ key-nets），它是一種卷積網絡，並與一個定製的視覺傳感器配對，該傳感器應用光學/模擬變換，使得密鑰網絡可以對轉換後的圖像進行精確的加密推斷，但圖像不能被人或任何其他密鑰網絡解釋。
我們給出了適用於密鑰網絡的光學變換的五個充分條件，並證明了廣義隨機矩陣（generalized stochastic matrices）如尺度、偏差和分像素 shuffling等滿足這些條件。我們通過展示在沒有密鑰網絡的情況下，對於一個直接在光學變換圖像上進行微調以用於人臉識別和目標檢測的網絡來說，這是一種高效/隱私權衡。最後，我們證明了密鑰網絡相當於使用希爾密碼的同態加密，其內存和運行時間的上限與用戶指定的隱私參數成二次方關係。因此，密鑰網絡是第一個實用、高效、保密的基於光學同態加密的視覺傳感器。
3
最佳學生論文獎
獲獎論文：《Video Region Annotation with Sparse Bounding Boxes》
論文連結：https://www.bmvc2020-conference.com/assets/papers/0638.pdf
論文作者：
論文摘要：
視頻分析已經朝著更詳細的解釋性（例如分割）方向取得了令人欣慰的進展。然而，這些任務在空間和時間上越來越依賴於密集的注釋訓練數據。由於這種注釋是勞動式密集型的，因此很少存在具有詳細區域邊界的密集注釋視頻數據。我們工作的目的就是為了解決這個難題，通過學習如何從目標區域的稀疏注釋邊界框中自動生成視頻的所有幀的區域邊界。我們用一個體圖卷積網絡（Volumetric Graph Convolutional Network--VGCN）來實現這一點，該網絡學習使用周圍外觀和運動的時空體積迭代地找到區域邊界上的關鍵點。VGCN的全局優化使其比現有的解決方案具有更強的泛化能力。我使用兩個最新數據集（一個真實數據集和一個合成數據集）的實驗結果，包括消融研究，證明了我們方法的有效性和優越性。
4
最佳學生論文獎亞軍
獲獎論文：《Weakly-supervised Salient Instance Detection》
論文連結：https://www.bmvc2020-conference.com/assets/papers/0430.pdf
論文作者單位：大連理工大學、香港城市大學、鵬城實驗室
論文摘要：
我們注意到，子實體化信息提供了對顯著項數量的即時判斷，這自然與檢測顯著實例有關，並且可能有助於在分組同一實例的不同部分的同時，分離同一類的實例。受此啟發，我們提出使用類和子實體化標籤作為SID問題的弱監督。並提出了一種新的具有三個分支的弱監督網絡：
1、利用類一致性信息來定位候選目標的顯著性檢測分支；
2、利用類差異信息來劃定目標邊界的邊界檢測分支；
3、質心檢測分支，利用子實體化信息檢測顯著實例質心。
這些互補信息被進一步融合以產生顯著的實例地圖，我們進行了大量的實驗，證明了該方法與根據相關任務精心設計的baseline方法相比具有良好的性能提升。
5
最佳工業論文獎
獲獎論文：
《A CNN Based Approach for the Near-Field Photometric Stereo Problem》
論文連結：https://www.bmvc2020-conference.com/assets/papers/0277.pdf
論文作者：
論文摘要：
在不同光源下使用幾幅圖像重建對象的3D形狀是一項非常具有挑戰性的任務，尤其是在考慮諸如光傳播和衰減、透視圖幾何形狀和鏡面光反射之類的現實假設時。解決光照體視系統（ Photometric Stereo）問題的許多工作通常會弱化大多數上述假設。特別是它們通常會忽略鏡面反射和全局照明效果。在這項工作中，我們提出了第一種基於CNN的方法，該方法能夠處理光照體視系統中的這些現實假設。我們利用深度神經網絡的最新進展來實現遠場光照體視系統，並使它們適應近場設置。我們通過採用迭代過程進行形狀估計來實現此目的，該過程有兩個主要步驟：
1、我們每個像素地訓練CNN，以根據反射率樣本預測表面法線。
2、我們通過積分法線場來計算深度，以迭代地估計光的方向和衰減，該深度用於補償輸入圖像以計算下一次迭代的反射率樣本。
據我們所知，這是第一個能夠從高鏡面物體準確預測3D形狀的近場框架。在合成和實際實驗中，我們的方法都優於競爭性的最新近場光照體視系統方法。
[贈書福利]
在AI科技評論9月11日推文「《柏拉圖與技術呆子》：探討人類與技術的創造性夥伴關係」留言區留言，談一談你對本書的相關看法、期待等。
AI 科技評論將會在留言區選出5名讀者，每人送出《柏拉圖與技術呆子》一本。
活動規則：
1. 在留言區留言，留言點讚最高且留言質量較高的前 5 位讀者將獲得贈書。獲得贈書的讀者請聯繫 AI 科技評論客服（aitechreview）。
2. 留言內容和留言質量會有篩選，例如「選我上去」等內容將不會被篩選，亦不會中獎。
3. 本活動時間為2020年9月11日 - 2020年9月18日（23:00），活動推送內僅允許中獎一次。