Lei Feng réseau de presse AI Yanxishe, heure locale jour 6,18 à 22, CVPR 2018 aura lieu à Salt Lake City. À l'heure actuelle, il y a quatre mois à compter de l'ouverture de l'Assemblée générale, à l'Assemblée générale pendant les organisateurs du Festival du Printemps a annoncé la liste de recevoir le papier, la discussion avance sur la frénésie de CVPR (détails peuvent être trouvés collection CVPR 2018 de documents a publié la liste complète, voir les plus brillants Grand Dieu a annoncé tranquillement les bonnes nouvelles) . En plus de recevoir les documents de discussions et d'apprentissage, en fait, il ne peut y avoir un ordre du jour que nous manquons, qui est atelier sur une grande variété de jeu.

Vous pouvez le voir sur le site officiel de l'Assemblée générale, l'atelier de cette année comporte un certain nombre de questions, telles que le camouflage reconnaissance faciale, reconnaissance d'images de faible puissance, compression d'image, analyse de robustesse, pilote automatique, différents aspects de la vision intégrée et ainsi de suite, et pour ces questions aussi émergé un certain nombre de jeux intéressants. Ces jeux sur l'atelier, ou il y a un certain nombre de grandes mécénat d'entreprise, ou toute nouvelle ou une valeur très pratique, Lei Feng réseau AI Yanxishe après le dépistage, pour introduire plusieurs compétitions suivantes.

Voici deux jeu très innovant dans le tournoi et la reconnaissance de visage camouflage à grande échelle concours de reconnaissance historique, les organisateurs offrent de nouveaux ensembles de données publiques à grande échelle, nous pouvons utiliser le système pour identifier les étoiles de camouflage, des attractions d'identification.

jeu visage camouflage reconnaissance

Dans le "Premier atelier international sur Disguised Faces in the Wild" de l'atelier, de l'Université du Maryland, IBM et l'Inde Institut international de l'information (IIIT), plusieurs organisateurs de camouflage lancé jeu de détection de visage.

Avec les progrès de ces dernières années, la profondeur de l'apprentissage, la capacité de reconnaissance automatique des visages a été considérablement améliorée. Cependant, dans l'environnement sans restriction dans le visage de l'utilisateur n'est pas très en forme, vous voulez être précis reconnaissance faciale est toujours difficile.

Les recherches actuelles sur plusieurs gestes facteurs, les expressions du visage, l'éclairage, tels que l'âge et la faible résolution de beaucoup, mais la reconnaissance du visage « camouflage » est toujours un problème difficile.

Comme on le voit ci-dessous, le camouflage, y compris le visage changeant intentionnel et non intentionnel de confondre leur propre identité, ou à l'identité de quelqu'un d'autre imiter. Pouvez-vous deviner qui suit Lady Gaga, qui est Neil Patrick Haris faire?

Camouflage peut se produire dans quelles circonstances, et donc la reconnaissance de ce problème sera plus difficile. De plus, parce qu'il n'y a pas d'ensembles de données disponibles, il n'a pas procédé à une étude approfondie sous le couvert d'une scène réelle.

Pour le statu quo, lors du colloque, les organisateurs ont tenu ce camouflage concours de reconnaissance des visages, les participants seront invités à présenter leur cas pour identifier la personne face à une base de données déguisée dans l'environnement naturel. ensemble excellent d'algorithmes seront invités à soumettre des documents, des documents seront sélectionnés pour être présentés à l'atelier. En outre, le personnel de recherche n'a pas participé à la compétition peuvent également soumettre des documents.

Posant ensemble de données de face (Disguised face du jeu de données)

Les organisateurs ont préparé un déguisement ensemble de données du visage (Disguised visage Dataset), il contient une variété de plus de 11.000 feuilles pour couvrir 1000 types de thème de camouflage par image différente. dossier thématique par l'image de l'artiste posing après la composition, en plus des organisateurs fournissent également généré à partir du visage plus rapide de fichiers RCNN.

Dataset adresse: http: //iab-rubric.org/databases/DFW_Data.zip

La compétition principale comprend plusieurs directions comme suit:

• Sous couvert de circonstances reconnaître les visages

• En se faisant passer pour usurper l'identité d'une autre identité

• Divers procédé de détection de masquage

• Après avoir testé le visage cosmétique

• Après avoir identifié le visage obscurci

Pour plus d'informations sur le concours sont disponibles:

reconnaissance historique à l'échelle de la concurrence (à grande échelle Landmark reconnaissance: un défi)

Lorsque vous parcourez les photos après la visite, jamais demandé: j'ai visité le temple en Chine Quel est le nom que j'ai vu en France qui a construit ce monument ne me souviens pas qu'il n'a pas d'importance, le système de reconnaissance historique ?? vous aider. techniques de reconnaissance de repère directement par l'image étiquette historique de prédiction de pixels pour aider les gens à mieux comprendre et classer vos propres photos.

Aujourd'hui, la recherche de reconnaissance historique fait face à un obstacle majeur - l'absence de grands ensembles de données annotées.

Dans ce concours, les organisateurs divulgués de loin les plus grands ensembles de données globales pour faciliter la résolution de ce problème. Le concours organisé sur la plate-forme Kaggle, difficile.

Le tournoi est divisé en deux:

Haut-lieu touristique reconnaissance

Kagglers modèle requis, identifié dans les repères de jeu de test (repère s'il. Figure).

De nombreux Kagglers très familiers avec la reconnaissance visuelle à grande échelle tels que Défi IMAGEnet LSVRC, le but est d'identifier ILSVRC mille types de classes d'objets classiques. Ne pas identifier avec ce peu différent: il contient une plus grande classe (ce jeu il y a quinze mille classes), et le nombre d'exemples de formation de chaque classe ne peut pas être grand. la reconnaissance Landmark lui-même est également difficile.

Le défi le défi de recherche historique en même temps, les mêmes deux ensembles de test match pour encourager les participants à assister à la fois.

La recherche historique

Recherche d'images est un problème fondamental dans la vision par ordinateur: Étant donné une image, vous pouvez trouver des images similaires dans les grandes bases de données contenant cette question est très importante pour l'image de repère, parce que la plupart des gens comme un point de repère particulier comme toile de fond? images.

Dans cette compétition, les organisateurs fourniront recherche d'image pour les participants, et, pour chaque image donnée, les participants veulent peuvent récupérer toutes les images contenues dans la base de données sur le même sujet (le cas échéant).

Les organisateurs encouragent également les participants à utiliser les données de formation pour identifier le jeu pour former la course de récupération du modèle, qui peut également être utile. Cependant, s'il vous plaît noter: Les deux Défi Formation / concentré aucun point de repère permet de récupérer commun.

La nouvelle série de données fournies par la partie est la plus grande étude du monde pour récupérer ensemble de données d'image par plus d'un million d'images composées, il contient quinze mille repère unique. Les organisateurs ont exprimé l'espoir que cet ensemble de données permettra d'accélérer les progrès de ces recherches.

adresse du jeu de reconnaissance Point de repère: https: //www.kaggle.com/c/landmark-recognition-challenge

Point de repère récupérer l'adresse du jeu: https: //www.kaggle.com/c/landmark-retrieval-challenge

En plus de jeu très innovant plus de deux représentants à la réunion, il y a beaucoup de jeux plus traditionnels, tels que LPIRC.

reconnaissance d'image de faible puissance Défi (image à faible puissance de reconnaissance Challenge)

Le concours est parrainé par l'IEEE, est la quatrième cette année. Les commanditaires du concours comprennent IEEE Computing Redémarrage, Google et Facebook.

La course a un fond comme suit: À l'heure actuelle, de nombreux systèmes mobiles (téléphones intelligents, matériel électronique, robot automatique) dispose d'une caméra, ces systèmes nécessitent l'utilisation des batteries, ce qui réduit la consommation d'énergie est extrêmement importante.

Le concours a pour but de découvrir le meilleur équilibre entre la technologie de reconnaissance d'image et d'économie d'énergie. régime de participants sera évalué selon deux dimensions: le taux de reconnaissance élevé, et un second faible consommation d'énergie.

La reconnaissance d'image implique de nombreuses tâches. Ce défi met l'accent sur la détection d'objet, qui est le chemin de base de nombreuses méthodes d'identification.

Voici deux exemples illustrent la tâche.

Dans le premier exemple, il y a deux objets: un oiseau et une grenouille.

Dans le second exemple, un certain nombre d'objets: les voitures, les gens, et casque de moto.

formation LPIRC et des données de validation de IMAGEnet à grande échelle Défi de reconnaissance visuelle. Les données de test est spécifiquement préparé pour cette compétition.

La concurrence est divisé en trois défis distincts:

Piste 1: équipes avant CVPR 2018, de présenter leurs modèles au format TfLite, se concentrer ici sur le modèle pour déterminer l'exactitude des plates-formes informatiques et de temps d'exécution.

Piste 2: processus d'équipes avant CVPR 2018, les organisateurs d'exécuter des programmes sur NVIDIA TX2, une mesure de précision et de consommation d'énergie.

Piste 3: 2017 et, comme les participants sur la scène avec leur course aux procédures écrites, voici pas de restrictions sur le matériel et le logiciel. (Remarque: Vous ne pouvez pas utiliser NVIDIA TX2)

Pour plus d'informations sur le jeu, le prochain aura été publié, nous pouvons nous concentrer:

https://rebootingcomputing.ieee.org/lpirc

En plus de ceux-ci, ou très nouvelles, ou des jeux traditionnels, il y a tous les deux impliqués dans le jeu un événement de longue date, mais aussi se concentrer sur la valeur pratique de l'avenir, comme la robustesse du défi visuel pour présenter ce qui suit.

Défi visuel robuste (Défi robuste Vision)

Au cours de la dernière décennie, marquée par de grands ensembles de données de plus en plus, comme Middlebury, PASCAL COV, IMAGEnet, MS COCO, Kitti, Paysages urbains, l'émergence de ces ensembles de données afin que la vision de l'ordinateur et l'apprentissage de la machine a fait de grands progrès.

Avec la liste publique, nous avons seulement besoin de comparer les résultats des différentes méthodes, il est facile de suivre la technologie la plus avancée dans ce domaine. Bien que dans chaque ensemble de données que nous avons fait des progrès constants, mais beaucoup seulement limitée aux zones spécifiques. Par exemple, Kitti concentré sur scène conduite en ville dans le monde réel, et Middlebury considérer est la scène intérieure.

Ainsi, les données définies sur une des méthodes de haut fonctionnent généralement mal sur un autre ensemble de données, ou nécessitent une modification importante des paramètres du modèle.

L'objectif de l'atelier est de promouvoir le développement du système visuel, trouver un système robuste bien performé sur une variété d'ensembles de données avec des caractéristiques différentes.

Pour atteindre cet objectif, les organisateurs ont lancé Vision robuste Défi Défi, une série avec des caractéristiques différentes, des critères très difficiles (comme une véritable synthèse en plein air VS, VS intérieur, VS temps ensoleillé, différents capteurs), le test dans un certain nombre de tâches du système (telles que: la reconstruction, par exemple sémantique / de segmentation, une seule prédiction d'image en profondeur) sur les performances. En outre, les organisateurs vous encouragent également soumettre le système comprend de nouveaux algorithmes, des techniques et des méthodes est actuellement à l'étude ont été publiés.

Comme indiqué plus haut, les organisateurs offrent des prix pour ces six défis le champion et vice-champion, et les inviter à montrer que cette méthode sur l'atelier, de participer à dîner atelier. En outre, les organisateurs prévoient également de publier les gagnants sur le programme des documents TPAMI.

De la direction d'un grand point de vue, il y a beaucoup de compétitions a porté sur la ville actuelle, vise à utiliser la technologie informatique pour identifier les deux compétitions pour les problèmes de trafic dans une meilleure façon de traiter le problème du développement urbain, par exemple, d'introduire les éléments suivants:

NVIDIA AI défi urbain (NVIDIA AI CHALLENGE CITY)

NVIDIA a tenu une NVIDIA AI Urban Challenge sur CVPR 2018. Ils ont dit que d'ici 2020 il y aura 1 milliard caméra. Le transport est l'un des plus grand segment du marché de la caméra, car il peut capturer des données de ces avantages des caméras. Dans le trafic, les systèmes de signalisation, des systèmes de transport, l'infrastructure, l'analyse des informations obtenues à partir de ces caméras, le système aide à la circulation plus sûre et plus intelligente.

Cependant, pour une raison quelconque, ils n'ont pas été en mesure de tirer profit de ces informations potentielles. La première est la qualité des données est très mauvaise, en plus d'un manque d'étiquettes de données, et enfin le manque de données peuvent être transformées en informations utiles, le modèle de haute qualité, le soutien également besoin de l'analyse fin plate-forme cloud pour accélérer le modèle de développement et de déploiement.

Cette fois, l'atelier City Challenge NVIDIA AI mettra l'accent sur ces questions particulières, comme les dispositifs d'analyse de trafic (comme la vitesse), vigoureusement à la méthode non supervisée pour détecter une collision du véhicule, causé par des anomalies de stationnement et ainsi de suite.

Bien que la vision par ordinateur, en particulier étude approfondie a contribué à grande échelle dans le déploiement réel, ce qui contribuera à rendre la ville plus intelligente et plus sûre, mais NVIDIA espère vous demander plus d'idées.

Afin de réduire la dépendance aux méthodes supervisées, et plus d'attention à l'apprentissage de transfert, sans supervision et des méthodes semi-supervisés, et ils ont organisé le concours dans l'atelier, il sera démontré des réalisations exceptionnelles dans l'atelier.

Les participants peuvent choisir d'assister à l'une ou plusieurs des trois défis suivants, veulent obtenir des équipes prix doivent soumettre code pour vérifier les organisateurs.

Piste 1: Analyse du trafic (Traffic Flow Analysis)

Les équipes doivent soumettre la vitesse estimée. 27 jeu de test est une vidéo de 1 minute.

Piste 2: détection d'anomalie (Anomaly Detection)

Les équipes seront soumises aux cent premières anomalies détectées des cas, cela peut être dû à la collision de voiture ou d'un véhicule causé par la stagnation. Des circonstances inhabituelles ne comprennent pas embouteillage normal.

Piste 3: Détection et identification d'un multi-scène du véhicule (multi-caméras de détection des véhicules et Réidentification)

Les équipes ont besoin de 15 vidéos, identifiés dans quatre endroits différents avaient tous au moins un véhicule.

Ils offrent des prix pour les joueurs est également très NVIDIA:

Piste 1, les prix de champion et vice-champion sont Jetson TX2;

Piste 2, est lauréat du prix Titan XP1 prix runner-up est Jetson TX2;

Piste 3, le gagnant du prix est Tesla V100, prix runner-up est Jetson TX2.

Détails du jeu: https: //www.aicitychallenge.org/

DeepGlobe images satellites afin de comprendre les défis

Selon les organisateurs, par rapport à l'image traditionnelle, l'imagerie satellitaire est très puissant, il contient des données plus structurées et cohérentes. Bien que la communauté de vision par ordinateur est maintenant utilisé une étude approfondie, basée sur des ensembles de données d'image par jour, réalisé un certain nombre de tâches difficiles, mais les images satellites récentes juste pour attirer l'attention, peut analyser des cartes basées sur la population et des images satellites.

Les objectifs de l'atelier pour rassembler les chercheurs diffèrent avec cela, afin de promouvoir les progrès de la technologie d'analyse d'images satellite haut.

Afin d'obtenir plus d'attention à ces technologies, les organisateurs ont lancé des images satellites DeepGlobe pour comprendre les défis (Image satellite DeepGlobe Comprendre Challenge), le défi trois tâches différentes basées sur la compréhension de l'image par satellite.

Préparé pour le concours peut être utilisé comme une analyse de référence future ensemble de données de référence des images satellite. En outre, en raison des défis de la tâche impliquera des images réelles de prise de vue (dans la nature) problème classique en vision par ordinateur, ces ensembles de données précieuses, pourrait devenir un haut lieu d'algorithmes de vision robustes, non seulement limitée à la gamme de technologies de télédétection .

DeepGlobe contient les trois défis suivants:

• extraction de routes (extraction de la route)

Dans les zones touchées, en particulier dans les pays en développement, des cartes et des informations disponibles pour réponse à la crise est essentielle. Le défi est d'extraire automatiquement le réseau routier et de la rue à partir d'images satellite. Ceci est un problème de segmentation binaire qui nécessite des pixels de détection sur toute la chaque région. L'évaluation de cette compétition sera basée sur les pixels routiers précis.

• Sonde de construction (détection du bâtiment)

la population de la modélisation dynamique est importante pour les interventions en cas de catastrophe et de récupération, et la détection des bâtiments et des zones urbaines est la clé de la modélisation. Le but de ce défi est de détecter automatiquement les bâtiments à partir d'images satellite. Ce problème est aussi le problème de la séparation binaire, besoin de savoir l'emplacement de tous les différents bâtiments de chaque région. L'évaluation est basée sur le recouvrement détecté du bord du bâtiment vérité du terrain.

• Mariti (classification de la couverture terrestre)

, L'agriculture et l'urbanisme d'une grande importance pour le développement durable de la classification automatique et la surface de coupe. Ce défi est une tâche de segmentation multi-classe qui nécessite sonder la ville, les terres agricoles, les pâturages, les forêts, l'eau, terrain vague et zone inconnue. L'évaluation est basée sur la précision des étiquettes de catégorie.

Les participants peuvent présenter les résultats d'un ou plusieurs défis. Les organisateurs ont invité les gens à soumettre les résultats de l'inclusion de nouvelles technologies, les méthodes sont en cours d'examen et les méthodes ont été publiées. Chacun des trois principaux défis seront récompensés, le gagnant sera des présentations orales de l'atelier DeepGlobe CVPR 2018, chacun des cinq principaux défis seront affiche invités. Les organisateurs publieront un certain nombre de documents sur l'atelier.

Bien sûr, ces jeux décrits ci-dessus ne sont pas tout, vous pouvez cliquer sur: http: //cvpr2018.thecvf.com/program/workshops, voir plus atelier d'information de jeu, voir s'il y a des sujets qui vous intéressent.

(Fin) Lei Feng réseau compilateur de finition AI Yanxishe