【AI WORLD 2017世界人工智能大会倒计时
18
天
】
大会早鸟票已经售罄，现正式进入全额票阶段。
还记得去年一票难求的AI WORLD 2016盛况吗？今年，
即将于2017年11月8日在北京国家会议中心举办的AI World 2017世界人工智能大会上，我们请到
腾讯优图实验室杰出科学家贾佳亚教授、旷视科技（Face++)首席科学家孙剑等中国计算机视觉的领军人物。想了解计算机视觉的最新动态，
点击文末阅读原文，马上参会！
抢票链接：
http://www.huodongxing.com/event/2405852054900?td=4231978320026
大会官网：
http://www.aiworld2017.com
来源：research.fb.com
编译：弗格森
【新智元导读】
Facebook公布了今年入选计算机视觉顶级会议ICCV的15篇研究成果。涉及语义和图像分割、物体识别、图像分类、视觉与语言的结合、图像生成、3D视觉等多个方面。
来自世界各地的计算机视觉专家将于本周聚集在于威尼斯举行的国际计算机视觉会议（ICCV），介绍计算机视觉和相关领域的最新进展。来自Facebook的研究将在15篇经过同行评审的出版物和海报中发表。 Facebook研究人员还将出席众多的研讨会和讲座。
以下是 Facebook 在本年度的 ICCV 上呈现的研究完整列表，根据研究主题进行了整理:
论文：Mask R-CNN
作者：Kaiming He, Georgia Gkioxari, Piotr Dollár, Ross Girshick
论文地址：https://research.fb.com/publications/mask-r-cnn/
这篇论文开发了一种新的系统，对于照片中的每个像素，它可以预测像素会对哪些物体作出反应，也可以预测像素会对哪一个物体作出反应。
所以系统不仅会描绘羊，然后告诉你它们是羊（“语义”分割），但它也会告诉你哪些部分的图像对应于哪只羊（“实例”分割）。
Mask R-CNN是成功完成此项工作的系统之一。 Facebook的 CTO Mike Schroepfer在今年早些时候在F8的主题演讲中展示了Mask R-CNN的Demo。
论文：Predicting Deeper into the Future of Semantic Segmentation
作者：Pauline Luc, Natalia Neverova, Camille Couprie, Jakob Verbeek, Yann LeCun
论文地址：https://research.fb.com/publications/predicting-deeper-into-the-future-of-semantic-segmentation/
本文开发了一种深度学习模型，
从一个视频中的特定帧（静态）尝试预测下一帧将是什么样子。
所以在某种意义上，它是试图猜测视频接下来会展示什么内容的。本文表明，研究最后所得到的模型可用于提高计算机视觉系统在语义分割等任务中的质量。
论文：Segmentation-Aware Convolutional Networks Using Local Attention Masks
作者：Adam W. Harley, Konstantinos G. Derpanis, Iasonas Kokkinos
论文地址：https://research.fb.com/publications/segmentation-aware-convolutional-networks-using-local-attention-masks/
在深度神经网络中，网络的层次越深，一个卷积网络中的众多神经元对图像进行“审查”的部分就越大。这可能会导致局部性（localized）变差以及模糊的反应，因为，神经元需要对图像非常大的部分进行“审查”。在这项研究中，我们
通过每一个神经元只出现在自己感兴趣的区域，进而锐化这种反应。
论文：Dense and Low-Rank Gaussian CRFs Using Deep Embeddings
作者：Siddhartha Chandra, Nicolas Usunier, Iasonas Kokkinos
论文地址：https://research.fb.com/publications/dense-and-low-rank-gaussian-crfs-using-deep-embeddings/
虽然卷积网络可以非常准确地将图像中的像素分类为不同的类别（汽车，飞机，...），但相邻的决策通常不一致：一半物体可能被标记为“床”，另一半则被标记为“沙发”。
本文提出了一种耦合所有像素分类的技术，以非常有效的方式产生一致的预测。
论文：Focal Loss for Dense Object Detection
作者：Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollár
论文地址：https://research.fb.com/publications/focal-loss-for-dense-object-detection/
本文提出了一种新的物体检测系统。
该系统在技术上与现有的目标检测技术不同。当下，大多数系统由多个“阶段”组成，每个阶段都由不同的模型实现，本文开发了一个在单个阶段解决整个对象检测问题的模型。这种简单性很有吸引力，因为它使得系统更容易实现和使用。
论文：Low-shot Visual Recognition by Shrinking and Hallucinating Features
作者：Bharath Hariharan, Ross Girshick
论文地址：https://research.fb.com/publications/low-shot-visual-recognition-by-shrinking-and-hallucinating-features/
物体检测系统通常是基于成千上万的图像进行训练，这些图像中包含了它们需要识别出来的物体。
本文着重于解决在仅看到该类别的很少示例之后识别新的对象类型的问题。
它通过“设想”我们想要识别的物体的额外例子来实现。
论文：Transitive Invariance for Self-supervised Visual Representation Learning
作者：Xiaolong Wang, Kaiming He, Abhinav Gupta
