0
| 本文作者： 楊鯉萍 | 2019-06-30 13:37 | 專題：CVPR 2019 |
雷鋒網(wǎng) AI 科技評(píng)論：6 月 18 日，三大世界頂級(jí)計(jì)算機(jī)視覺會(huì)議之一「計(jì)算機(jī)視覺與模式識(shí)別會(huì)議」（Conference on Computer Vision and Pattern Recognition 2019，CVPR 2019）在美國(guó)長(zhǎng)灘拉開帷幕，頂會(huì)吸引全球超過(guò)9200位頂尖專家、學(xué)者以及產(chǎn)業(yè)界人士，共同推進(jìn) CV 技術(shù)的發(fā)展與落地。
相比 2018 年，本屆 CVPR 的論文提交數(shù)量增加了 56%，但論文接收率卻下降了 3.9%，可見論文入選難度加大；而學(xué)術(shù)比賽報(bào)名人數(shù)也保持持續(xù)增長(zhǎng)。但無(wú)論在論文方面還是學(xué)術(shù)比賽中，今年多家中國(guó)企業(yè)都取得了可喜的成績(jī)，這些成績(jī)不僅體現(xiàn)了這些企業(yè)的發(fā)展水平，也代表了國(guó)人的科技進(jìn)步。雷鋒網(wǎng) AI 科技評(píng)論現(xiàn)將其成果整理報(bào)道如下。
商湯科技 CVPR 2019 錄取論文在多個(gè)領(lǐng)域?qū)崿F(xiàn)了突破，其中代表性論文有：《基于混合任務(wù)級(jí)聯(lián)的實(shí)例分割算法》、《基于特征指導(dǎo)的動(dòng)態(tài)錨點(diǎn)框生成算法》（高層視覺核心算法——物體檢測(cè)與分割）；《基于網(wǎng)絡(luò)參數(shù)插值的圖像效果連續(xù)調(diào)節(jié)》、《基于光流引導(dǎo)的視頻修復(fù)》（底層視覺核心算法——圖片復(fù)原與補(bǔ)）；《PointRCNN: 基于原始點(diǎn)云的 3D 物體檢測(cè)方法》（面向自動(dòng)駕駛場(chǎng)景的 3D 視覺）；《基于人體本征光流的姿態(tài)轉(zhuǎn)換圖像生成》（面向 AR/VR 場(chǎng)景的人體姿態(tài)遷移）；《基于條件運(yùn)動(dòng)傳播的自監(jiān)督學(xué)習(xí)》（無(wú)監(jiān)督與自監(jiān)督深度學(xué)習(xí)前沿進(jìn)展）等。這些突破性的計(jì)算機(jī)視覺算法不僅有著豐富的應(yīng)用場(chǎng)景，也為 AI 行業(yè)的發(fā)展做出了巨大的貢獻(xiàn)。
而在 CVPR 2019 Workshop NTIRE 2019 視頻恢復(fù)比賽中（包含兩個(gè)視頻去模糊和兩個(gè)視頻超分辨率），來(lái)自商湯科技、香港中文大學(xué)、南洋理工大學(xué)、中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院組成的聯(lián)合研究團(tuán)隊(duì)使用 EDVR 一套算法，獲得了全部四個(gè)賽道的所有冠軍，并且每個(gè)結(jié)果都大幅超越賽道第二名。
在論文《EDVR: Video Restoration with Enhanced Deformable Convolutional Networks》中，作者介紹了這種新型算法，通過(guò)一種新的網(wǎng)絡(luò)模塊 PCD 對(duì)齊模塊，使用 Deformable 卷積進(jìn)行視頻的對(duì)齊，可以實(shí)現(xiàn)整個(gè)過(guò)程端到端的訓(xùn)練；而在挖掘時(shí)域（視頻前后幀）和空域（同一幀內(nèi)部）的信息融合時(shí)，作者又提出了一種時(shí)空注意力模型，來(lái)進(jìn)行更好的信息融合。
EDVR 算法架構(gòu)
因此，在將 EDVR 算法視頻超分辨率與目前行業(yè)最好的圖像超分辨算法 RCAN 恢復(fù)來(lái)對(duì)同一區(qū)域進(jìn)行處理時(shí)，可以明顯看到 EDVR 算法視頻超分辨能給到更多的細(xì)節(jié)。（該方法的代碼已開源）
另外，商湯科技還在 AI CITY Challenge（CVPR 2019 Workshop）異常檢測(cè)賽道中獲得冠軍。城市智慧交通一直都面臨著數(shù)據(jù)質(zhì)量差、標(biāo)簽數(shù)據(jù)少、缺乏高質(zhì)量算法模型以及從邊緣到云端的計(jì)算資源不足等挑戰(zhàn)，而比賽中，商湯科技的設(shè)計(jì)更多地通過(guò)遷移學(xué)習(xí)、無(wú)監(jiān)督和半監(jiān)督的方法檢測(cè)交通異常，如道路事故、車輛故障等，從而達(dá)到更好的幫助城市交通變得安全和智能這一目的。
EDVR 論文地址
https://arxiv.org/abs/1905.02716v1
EDVR GitHub 地址
在今年的 CVPR 上，百度共有 17 篇論文被接收，內(nèi)容涵蓋了語(yǔ)義分割、網(wǎng)絡(luò)剪枝、ReID、GAN 等諸多方向，并且其中很多技術(shù)都設(shè)計(jì)到無(wú)人駕駛相關(guān)場(chǎng)景。
其中包括《Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation》（https://arxiv.org/abs/1809.09478）中，提到了結(jié)合了聯(lián)合訓(xùn)練和對(duì)抗訓(xùn)練來(lái)處理虛擬圖像與真實(shí)圖像之間語(yǔ)義分割網(wǎng)絡(luò)訓(xùn)練差異的問(wèn)題，將該技術(shù)應(yīng)用在自動(dòng)駕駛中，可以大大減少數(shù)據(jù)標(biāo)注和采集的工作量。
《Sim-Real Joint Reinforcement Transfer for 3D Indoor Navigation》（https://arxiv.org/abs/1904.03895）中提出的視覺特征適應(yīng)模型和策略模擬模型，可以有效將機(jī)器人在虛擬環(huán)境中學(xué)習(xí)到的策略和特征遷移到實(shí)際場(chǎng)景中；《ApolloCar3D: A Large 3D Car Instance Understanding Benchmark for Autonomous Driving》一文提出目前已知自動(dòng)駕駛領(lǐng)域最大規(guī)模的三維車輛姿態(tài)數(shù)據(jù)集，可以更好的對(duì)單張圖像的車輛姿態(tài)估計(jì)。
而在 CVPR 相關(guān)競(jìng)賽任務(wù)中，百度一共獲得了 10 項(xiàng)冠軍，涵蓋眾多熱門領(lǐng)域——
視覺領(lǐng)域下的視頻理解與分析：包括視頻動(dòng)作提名、視頻動(dòng)作檢測(cè)兩項(xiàng)任務(wù)的冠軍，以及新增任務(wù) EPIC-Kitchens 動(dòng)作識(shí)別挑戰(zhàn)賽中獲兩項(xiàng)測(cè)試集冠軍（Seen kitchens 和 Unseen kitchens）；
目標(biāo)檢測(cè)：「Objects365 物體檢測(cè)」國(guó)際競(jìng)賽 Full Track 冠軍，NTIRE 競(jìng)賽中獲得圖像超分辨項(xiàng)目冠軍；
人體檢測(cè)：Look Into Person 國(guó)際競(jìng)賽中三項(xiàng)人體精細(xì)化解析競(jìng)賽單元（Track1：Single-Person Human Parsing，Track3：Mult-Person Human Parsing，Track4：Video Multi-Person Parsing）中，均獲得第一名；
人臉活體檢測(cè)：在 CVPR-19-Face Anti-spoofing Attack Detection Challenge 上，百度擊敗了 300 多個(gè)隊(duì)伍，最終獲得第一的好成績(jī)。
智能城市車輛識(shí)別：AI-city 公開賽城市范圍多攝像頭車輛重識(shí)別任務(wù)第一名；
在 CVPR 2019 上，百度 Apollo 還首次曝光 L4 級(jí)自動(dòng)駕駛純視覺解決方案。Apollo 技術(shù)委員會(huì)主席王亮就 L4 級(jí)全自動(dòng)駕駛（Fully Autonomous Driving）環(huán)境感知技術(shù)方案進(jìn)行了講解，并公開了環(huán)視視覺解決方案百度 Apollo Lite。并表示經(jīng)過(guò)前期的技術(shù)研發(fā)投入和 2019 年上半年的路測(cè)迭代，依靠這套 10 相機(jī)的感知系統(tǒng)，百度無(wú)人車已經(jīng)可以在城市道路上實(shí)現(xiàn)不依賴高線數(shù)旋轉(zhuǎn)式激光雷達(dá)的端到端閉環(huán)自動(dòng)駕駛。
在 CVPR 2019 上，曠視研究院通過(guò) Oral、Poster、Workshop、Demo、Booth 等形式，同世界分享在計(jì)算機(jī)視覺理論與應(yīng)用領(lǐng)域的最新進(jìn)展。
相比去年曠視科技有 8 篇論文被收錄，今年他們又多了 6 篇被 CVPR 所接收。這 14 篇論文涉及行人重識(shí)別、場(chǎng)景文字檢測(cè)、全景分割、圖像超分辨率、語(yǔ)義分割、時(shí)空檢測(cè)等技術(shù)方向。
并在頂會(huì)的 CVPR 2019 WAD（Workshop on Autonomous Driving）、CVPR 2019 FGVC（Workshop on Fine-Grained Visual Categorization）、CVPR 2019 NTIRE（New Trends in Image Restoration and Enhancement workshop）3 項(xiàng)挑戰(zhàn)賽中，擊敗 Facebook、通用動(dòng)力、戴姆勒等國(guó)內(nèi)外一線科技巨頭與知名高校，一舉拿下 6 項(xiàng)世界冠軍，內(nèi)容涵蓋自動(dòng)駕駛、新零售、智能手機(jī)、3D 等眾多領(lǐng)域。
其中挑戰(zhàn)賽 NTIRE 2019 真實(shí)圖像降噪比賽，致力于恢復(fù)與增強(qiáng)圖像質(zhì)量。到目前為止，已連續(xù)舉辦了 3 年。今年 NTIRE 挑戰(zhàn)賽下設(shè) 11 項(xiàng)比賽，曠視研究院參賽的「真實(shí)圖像降噪（Real Image Denosing Challenge）」中，共有來(lái)自全球的 216 位選手、12 支隊(duì)伍。和往年不同，今年的圖像降噪賽是針對(duì)真實(shí)而非合成的圖像去評(píng)估圖像降噪器。該項(xiàng)比賽根據(jù)圖像儲(chǔ)存的兩種格式——原始傳感器數(shù)據(jù)（raw）和標(biāo)準(zhǔn) RBG（sRGB），分為對(duì)應(yīng)的兩項(xiàng)子賽。
曠視研究院參戰(zhàn) raw 圖像去噪，提出了針對(duì) raw 圖像的基于 U-Net 框架的「拜爾陣列歸一化與保列增廣」方法。團(tuán)隊(duì)精心設(shè)計(jì)了一種數(shù)據(jù)預(yù)處理方法，使得不同輸入圖像間的數(shù)據(jù)能保持網(wǎng)絡(luò)輸入一致性，從而應(yīng)用到具有不同拜耳模式的輸入上，在保證性能的前提下用更大的圖像集合訓(xùn)練網(wǎng)絡(luò)。此外，團(tuán)隊(duì)還提出了適用于 raw 圖像的數(shù)據(jù)增廣方法，這些優(yōu)勢(shì)可以幫助網(wǎng)絡(luò)獲得更好的泛化能力。
而且曠視的冠軍算法已成功落地于 OPPO Reno 10 倍變焦版。OPPO Reno 10 倍變焦版搭載了基于曠視 MEGVII 超畫質(zhì)技術(shù)研發(fā)的「超清夜景 2.0」功能，能夠?yàn)橛脩籼峁└玫囊古捏w驗(yàn)。這也是曠視超畫質(zhì)技術(shù)首次運(yùn)用在大規(guī)模量產(chǎn)機(jī)型上。
本次京東 AI 研究院在 CVPR 2019 上一共發(fā)表 12 篇論文，其中 4 篇論文入選了 oral presentation（oral presentation 的入選率只有 5%），入選 oral presentation 的四篇論文包含：
《ScratchDet: Exploring to Train Single-Shot Object Detectors from Scratch》（https://arxiv.org/abs/1810.08425v3）
《Transferrable Prototypical Networks for Unsupervised Domain Adaptation》（https://arxiv.org/abs/1904.11227）
《Unsupervised Person Image Generation with Semantic Parsing Transformation》（https://arxiv.org/abs/1904.03379）
《Gaussian Temporal Awareness Networks for Action Localization》（https://docs.wps.cn/view/p/35402862179?from=docs&source=docsWeb）
其中京東 AI 研究院提出的 ScratchDet，則從優(yōu)化的角度出發(fā)，通過(guò)實(shí)驗(yàn)解釋了梯度穩(wěn)定手段之一的 BatchNorm 如何幫助隨機(jī)初始化訓(xùn)練檢測(cè)器，進(jìn)而結(jié)合了 ResNet 與 VGGNet 來(lái)加強(qiáng)對(duì)小物體的檢測(cè)。并將這一技術(shù)成功運(yùn)用在了其他任務(wù)上，如人臉檢測(cè)、文字檢測(cè)等，這對(duì)于計(jì)算機(jī)視覺的發(fā)展有著重大的意義。
在學(xué)術(shù)比賽方面，京東 AI 研究院在 CVPR 2019 上共獲得三項(xiàng)第一，分別是：視頻動(dòng)作識(shí)別、商品圖片識(shí)別，以及精細(xì)粒度蝶類圖片識(shí)別；而在多人人體解析、菜品類圖像識(shí)別競(jìng)賽中獲得第二名。
視頻動(dòng)作識(shí)別被視為 ActivityNet 中最核心、最基礎(chǔ)的任務(wù)。在本屆 ActivityNet 視頻動(dòng)作識(shí)別任務(wù)（Kinetics）比賽中，共有 15 支來(lái)自于美國(guó)卡耐基梅隆大學(xué)、百度、Facebook 人工智能研究院、上海交通大學(xué) MVIG 實(shí)驗(yàn)室等國(guó)際知名研究機(jī)構(gòu)的參賽隊(duì)伍。而京東 AI 憑借著他們所提出的一種新框架——通過(guò)局部和全局特征傳播（LGD）學(xué)習(xí)視頻中的空間、時(shí)間特征，最終在眾多強(qiáng)勁參賽者中脫穎而出。
在精細(xì)圖像識(shí)別 (Fine-Grained Visual Categorization) 學(xué)術(shù)比賽中，今年比賽圖片數(shù)量和商品數(shù)據(jù)類別分別是去年的 5 倍和 40 倍，挑戰(zhàn)性相應(yīng)也有大幅度提升；全球共有 96 支隊(duì)伍、152 位選手通過(guò) 1600 次提交參加了競(jìng)賽，而最終京東 AI 靠著基于自研的全新精細(xì)圖像分類算法獲得了冠軍。該算法通過(guò)按塊「破壞」圖像中的結(jié)構(gòu)信息，然后再令已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行重點(diǎn)視覺區(qū)域識(shí)別與抓取，進(jìn)而識(shí)別物品本身；更值得注意的是，這一技術(shù)不光可以達(dá)到高準(zhǔn)確率，同時(shí)還有很強(qiáng)的兼容性。相關(guān)研究成果更多詳情可在論文《Destruction and Construction Learning for Fine-grained ImageRecognition》（https://docs.wps.cn/view/p/35402900346?from=docs&source=docsWeb）中獲得。
在 CVPR 2019 上，字節(jié)跳動(dòng)一共有 11 篇論文被接收，其中有兩篇入選為 oral。而在學(xué)術(shù)比賽方面，字節(jié)跳動(dòng)在人體姿態(tài)估計(jì)和人體分割比賽中，共收獲兩個(gè)冠軍、一個(gè)亞軍。
本屆 LIP（Look Into Person）國(guó)際競(jìng)賽共吸引了超過(guò) 75 支隊(duì)伍參加，包括加州伯克利大學(xué)、NHN、悉尼科技大學(xué)、東南大學(xué)、上海交通大學(xué)、中國(guó)電子科技大學(xué)、香港中文大學(xué)等全球高校以及三星、百度、京東等科技企業(yè)的人工智能研究院機(jī)構(gòu)。
比賽共包含五個(gè)競(jìng)賽任務(wù)：?jiǎn)稳巳梭w解析分割（the single-person human parsing）、單人人體姿態(tài)估計(jì)（the single-person pose estimation）、多人人體解析（the multi-person human parsing）、基于視頻的多人人體解析（multi-person video parsing, multi-person pose estimation benchmark）、基于圖像的服裝試穿（clothes virtual try-on benchmark）。最終，字節(jié)跳動(dòng)和東南大學(xué)組成的團(tuán)隊(duì)、以及肖斌帶領(lǐng)的字節(jié)跳動(dòng)團(tuán)隊(duì)并列單人人體姿態(tài)估計(jì)比賽的國(guó)際冠軍；同時(shí)，字節(jié)跳動(dòng)和東南大學(xué)組成的團(tuán)隊(duì)還獲得了單人人體分割賽道的國(guó)際亞軍。
其中，在單人人體姿態(tài)估計(jì)比賽上，字節(jié)跳動(dòng)和東南大學(xué)組成的團(tuán)隊(duì)提出了基于增強(qiáng)通道和空間信息的人體姿態(tài)估計(jì)網(wǎng)絡(luò)，可參考 CVPR 2019 論文《Multi-Person Pose Estimation with Enhanced Channel-wise and Spatial Information》（https://arxiv.org/abs/1905.03466）；而肖斌帶領(lǐng)的字節(jié)跳動(dòng)團(tuán)隊(duì)則提出了利用高分辨率網(wǎng)絡(luò)（HRNet）來(lái)解決人體姿態(tài)估計(jì)問(wèn)題，參考 CVPR 2019 論文《Deep High-Resolution Representation Learning for Human Pose Estimation》（https://arxiv.org/abs/1902.09212）；后一種方法已在 GitHub 上開源，感興趣的朋友可以進(jìn)行更深入的研究。
Github 地址
https://github.com/leoxiaobin/deep-high-resolution-net.pytorch
阿里 AI 在該競(jìng)賽由谷歌、美國(guó)卡耐基梅隆大學(xué)、蘇黎世聯(lián)邦理工大學(xué)等機(jī)構(gòu)聯(lián)合全球視覺技術(shù)領(lǐng)域頂級(jí)學(xué)術(shù)會(huì)議 CVPR 發(fā)起的第三屆圖像識(shí)別競(jìng)賽 WebVision 中獲得冠軍，要求參賽的 AI 模型將 1600 萬(wàn)張圖片精準(zhǔn)分類到 5000 個(gè)類目中，最終阿里的識(shí)別準(zhǔn)確率 82.54%，將萬(wàn)物識(shí)別領(lǐng)域的歷史紀(jì)錄提升了 3 個(gè)百分點(diǎn)。
而就在今年 3 月中，阿里與深圳大數(shù)據(jù)研究院、香港中文大學(xué)（深圳）、大連理工大學(xué)以及中國(guó)科學(xué)技術(shù)大學(xué)共同完成《Deep Reinforcement Learning of Volume-guided Progressive View Inpainting for 3D Point Scene Completion from a Single Depth Image》被收錄為 Oral Presentation。
之后與哈爾濱工業(yè)大學(xué)、香港理工大學(xué)、深圳鵬城實(shí)驗(yàn)室聯(lián)合設(shè)計(jì)的超分辨率算法——能夠很好的應(yīng)對(duì)模糊降質(zhì)的 DPSR 技術(shù)（來(lái)自論文《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels》），也被 CVPR 2019 所接收。并且該算法已經(jīng)開源了代碼（https://github.com/cszn/DPSR）；在另一篇被接收的論文《ODE-Inspired Network Design for Single Image Super-Resolution》中，阿里與中科院、中科院大學(xué)也展示了他們一起在圖像超分辨率方面做出相應(yīng)研究。
FGVC 全稱為 Fine-Grained Visual Categorization，即區(qū)分不同的動(dòng)物和植物、汽車和摩托車模型、建筑風(fēng)格等，是機(jī)器視覺社區(qū)剛剛開始解決的最有趣和最有用的開放問(wèn)題之一。細(xì)粒度圖像分類在于基本的分類識(shí)別（對(duì)象識(shí)別）和個(gè)體識(shí)別（人臉識(shí)別，生物識(shí)別）之間的連續(xù)性；不同于傳統(tǒng)的廣義上的分類任務(wù)，F(xiàn)GVC 的挑戰(zhàn)致力于子類別的劃分，需要分類的對(duì)象之間更加相似，例如區(qū)分不同的魚類、同一植物不同形態(tài)、不同的生活用品等。
在今年 CVPR 的 FGVC6 Workshop 賽區(qū)，共有十個(gè)挑戰(zhàn)賽，每個(gè)都代表了細(xì)粒度視覺分類在某個(gè)細(xì)分領(lǐng)域的挑戰(zhàn)。今年此次挑戰(zhàn)賽共有來(lái)自全球 88 個(gè)團(tuán)隊(duì)參與，提交了超過(guò) 1300 份方案。而在 Kaggle 上舉辦的 CVPR 2019 Cassava Disease Classification（根據(jù)木薯的葉子區(qū)分不同種類的木薯疾病的任務(wù)）挑戰(zhàn)賽中，DeepBlue AI 通過(guò)圖像增強(qiáng)方法來(lái)降低過(guò)擬合的風(fēng)險(xiǎn)，并提高模型的魯棒性，同時(shí)利用多個(gè)在 ImageNet 表現(xiàn)優(yōu)異的模型，以集成方法提升精度，最終獲得了冠軍。
除了該項(xiàng)挑戰(zhàn)賽，同期深蘭科技還在在 CVPR 的另外兩項(xiàng)比賽 2019 Workshop on Autonomous Driving (WAD) D2-City & BDD100K Tracking Domain Adaptation Challenge and the D2-City & BDD100K Detection Domain Adaptation Challenge.（目標(biāo)檢測(cè)遷移學(xué)習(xí)、目標(biāo)跟蹤遷移學(xué)習(xí)挑戰(zhàn)賽和大規(guī)模檢測(cè)插值探索賽）分獲亞軍和季軍。
今年的 CVPR 上，機(jī)器學(xué)習(xí)圖像壓縮挑戰(zhàn)賽（CLIC）由 Google 聯(lián)合 twitter、Netflix 等贊助。如今由于手機(jī)像素的提升，占用大部分內(nèi)存空間的圖片對(duì)于移動(dòng)存儲(chǔ)設(shè)備和網(wǎng)站來(lái)說(shuō)都是很大的負(fù)擔(dān)；而對(duì)圖片進(jìn)行高效高質(zhì)的壓縮處理，已經(jīng)成了眾多互聯(lián)網(wǎng)企業(yè)的極大需求。因此，在本屆會(huì)議上，圖像壓縮也成了技術(shù)焦點(diǎn)之一。
在去年，圖鴨科技曾奪得過(guò)該挑戰(zhàn)賽的 MS-SSIM 與 MOS 兩項(xiàng)第一；而今年，他們也帶來(lái)了更強(qiáng)的技術(shù)，最終在 MS-SSIM、Transparent Track、PSNR、Perceptual Qualit 四項(xiàng)指標(biāo)上均奪得桂冠，向世界展示了他們的技術(shù)硬實(shí)力，成為世界圖像壓縮歷史大滿貫贏家。
美團(tuán)無(wú)人配送與視覺團(tuán)隊(duì)在本屆 CVPR 上，也獲得了很好的成績(jī)，分別在障礙物軌跡預(yù)測(cè)挑戰(zhàn)賽（Trajectory prediction challenge）中斬獲第一名和商品識(shí)別挑戰(zhàn)賽（iMaterialist Challenge on Product Recognition）獲得第二名。
對(duì)于美團(tuán)無(wú)人配送與視覺團(tuán)隊(duì)來(lái)說(shuō)，這不光只是一種榮譽(yù)，也向我們展現(xiàn)出了他們?cè)谧詣?dòng)駕駛技術(shù)和視覺圖像方面進(jìn)行的大量研究和產(chǎn)品化探索，并在場(chǎng)景應(yīng)用方面所積累的豐碩成果。
美圖影像實(shí)驗(yàn)室 MTlab 此次參加了圖像增強(qiáng)和圖像去霧兩個(gè)比賽，兩個(gè)比賽均收到了超過(guò) 200 支團(tuán)隊(duì)報(bào)名。
最終，在圖像增強(qiáng)賽道（Image Enhancement Challenge）中，美圖影像實(shí)驗(yàn)室 MTlab 獲得了冠軍；在圖像去霧賽道（Image Dehazing Challenge），美圖影像實(shí)驗(yàn)室 MTlab 獲得了季軍。
本屆 AI 城市大賽（AI City Challenge）共有來(lái)自全球超過(guò) 200 支頂尖隊(duì)伍參與，滴滴在 CVPR AI 城市比賽（AI City Challenge）中最終獲得了亞軍，并攜手加州大學(xué)伯克利分校 DeepDrive 深度學(xué)習(xí)自動(dòng)駕駛產(chǎn)業(yè)聯(lián)盟（BDD）一同舉辦了 CVPR 2019 自動(dòng)駕駛研討會(huì)，詳細(xì)介紹了滴滴在自動(dòng)駕駛領(lǐng)域的探索和實(shí)踐。
雷鋒網(wǎng) AI 科技評(píng)論
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
