cvpr2018 深度学习

CVPR 2018在深度学习领域取得了诸多重要进展，涵盖目标检测、语义分割、姿态识别等多个方面。以下是对会议中深度学习相关成果的简要归纳：1. **目标检测**， **Cascade R-CNN**：在Faster R-CNN框架下，通过级联多个分类器，逐步提高目标定位精度，向高精度目标检测迈进。， **Repulsion loss**：由同济大学和北京大学合作，聚焦于遮挡情况下的行人检测问题，提出有效解决方案。， **极小人脸检测**：结合GAN思想提升极小人脸检测性能，是GAN载入目标检测领域的新作。2. **语义分割**， **无监督语义分割之全卷积域适应网络**：中科大和微软亚洲研究院合作，提出两种域适应策略，探索用合成图像提升真实图像语义分割性能。， **DiracNets**：无需跳层连接，训练更深神经网络，实现结构参数化与Dirac参数化的ResNet。， **残差密集网络**：利用所有分层特征的图像超分辨率网络，结合残差网络与密集连接网络特性，重构高质量图像。3. **姿态识别**， **DensePose开源**：Facebook发布人体姿势实时识别系统DensePose开源，可将2D图像转换成3D人体模型。， **非监督任意姿势人体图像合成**：以非监督方式利用人体图像合成任意姿势的新图片。4. **其他**， **DA-GAN技术**：微软亚研院提出，可通过文字描述生成新形象，形成全新艺术创造模式。， **Deep Learning of Graph Matching**：首次将端到端的深度学习技术引入图匹配，结合了图匹配与深度学习。， **Taskonomy: Disentangling Task Transfer Learning**：研究视觉任务之间的关系，帮助在不同任务间做迁移学习。， **基于直推式无偏嵌入的零样本学习**：阿里巴巴&浙大提出，解决零样本学习中的强偏问题。， **牛津大学&Emotech评估语义分割模型对抗攻击鲁棒性**：首次严谨评估语义分割模型对对抗攻击的鲁棒性。

在CVPR 2018（计算机视觉与模式识别会议）上，深度学习领域的研究呈现出多样化和深入化的发展趋势，以下是一些详细回答：

一、少样本学习

1、背景：人类具有出色的少样本学习能力，能够通过少量样本识别新物体，而人之所以能实现少样本学习，关键在于人脑的视觉系统天生具备对任意物体提取关键特征并进行比较的能力。

2、方法：构建关系网络（relation network），让神经网络学会如何比较（compare to learn），先构造一个嵌入单元（embedding module）来提取每一张图片的特征信息，然后将测试图片的特征和训练样本的图片特征输入到关系单元中做比较，根据比较结果来判断这个测试图片到底属于哪个类。

3、实验：使用Omniglot和MiniImagenet作为基准数据集进行实验，结果表明该方法在少样本学习及零样本学习的几个基准数据集上都取得了相当好的结果。

二、可解释性

1、背景：深度学习模型通常被视为“黑箱”，其决策过程难以理解，打开深度学习的黑箱成为一个重要研究方向。

2、方法：通过在网络层之间加入control gate（权值），显式化每个神经元在模型预测中所起的作用，从而使得模型的预测更加透明和可解释。

3、应用：这种可解释性的方法可以应用于各种需要理解模型决策过程的场景，如医疗诊断、金融风险评估等。

三、迁移学习

1、背景：迁移学习旨在通过大量任务的学习，快速处理新的同类任务。

2、方法：Taskonomy: Disentangling Task Transfer Learning这篇论文展示了如何通过研究视觉任务之间的关系，帮助在不同任务之间做迁移学习。

3、意义：该研究为迁移学习提供了新的视角和方法，有助于推动深度学习在实际应用中的广泛部署。

四、问答环节

1、问题一：为什么交错组卷积可以降低网络冗余性？

答案：交错组卷积通过将传统的组卷积分解为多个子组，并在不同子组之间引入交错结构，从而打破了卷积核之间的直接关联，减少了信息的重复利用，进而降低了网络的冗余性。

2、问题二：什么是DSC特征，它是如何解决阴影遮挡问题的？

答案：DSC特征是一种用于阴影检测的特征表示方法，它通过提取图像中的深度、表面法线和颜色等信息，构建了一个具有较强区分性的特征空间，在阴影遮挡情况下，DSC特征能够有效地捕捉到被阴影覆盖区域的物体特征，从而提高了物体检测的准确性。