全球计算机视觉顶会CVPR 2020论文出炉：腾讯优图17篇论文入选作为计算机视觉领域世界三大顶会之一

　　全球计算机视觉顶级会议CVPR2020 (IEEE Conference on Computer Vision and Pattern Recognition ，即IEEE国际计算机视觉与模式识别会议) 即将于2020年6月14日-19日在美国西雅图召开。本届大会总共录取来自全球论文1470篇，腾讯优图实验室入选17篇。

　　作为计算机视觉领域世界三大顶会之一， CVPR 的论文投稿量近三年持续大涨， CVPR官网显示，今年大会论文有效投稿数量6656篇，最终录取1470篇，录取率仅为22% ，相比去年降低3个百分点。

　　本届大会涵盖人体识别、基于图像建模、计算摄影与图像、视频分析与事件识别、脸部和手势分析、文件分析、统计方法与学习等多个主题。腾讯被收录的论文涉及主题广泛，涵盖类比学习、人脸识别、物体检测、行人重识别等热门及前沿领域，这些最新科研成果展示了腾讯在计算机视觉领域的技术实力，同时也将对计算机视觉算法落地化应用起到助推作用。

　　以下为部分腾讯优图入选CVPR2020的论文：

　　1、神经网络的滤波器嫁接技术

　　Filter Grafting for Deep Neural Networks

　　神经网络存在天然的无效滤波器，滤波器剪枝(filter pruning)技术主要对无效的滤波器进行移除使网络的推理速度增加。然而在这篇文章中，优图提出滤波器嫁接(filter grafting)技术。和pruning相反，优图并不是移除网络的无效滤波器，而是通过引入外部信息的方法来激活无效滤波器使之重新发挥作用。激活的方式为将其他网络的有效滤波器的参数嫁接到无效滤波器上。为了更好地发挥grafting的性能，优图同时提出了信息熵相关的指标评估滤波器的好坏，并用自适应的方式来平衡嫁接网络和被嫁接网络的参数。通过大量的实验，表明grafting后的网络在有效滤波器的数量上和模型性能上均有大幅度的提高。

----全球计算机视觉顶会CVPR 2020论文出炉：腾讯优图17篇论文入选//----

　　2、类比学习：基于变换的无监督光流估计

全球计算机视觉顶会CVPR 2020论文出炉：腾讯优图17篇论文入选。　　Learning by Analogy: Reliable Supervision from Transformations for Unsupervised Optical Flow Estimation

　　利用视图合成，进行光流的无监督学习，逐渐成为替代光流监督学习的一类方法。但是在一些剧烈变化的场景上，可能会违背无监督学习的目标，反而导致学习效果不好。这篇文章中，优图提出了一种称为“增广正则化”的学习框架。该框架在一些常规学习框架基础上，利用增广变换的数据多做一次前向，并利用原始数据的变换预测作为监督。在文章中，优图进一步拓展网络，支持共享光流解码器的多视图输入。在多个benchmark上，与其它的无监督方法比，以显著的效果提升，取得了当前最好的正确率。另外，优图提出的无监督方法，使用更少的参数量，就可以媲美最近一些监督方法的效果。