ECCV 2018 专场3

重磅干货，第一时间送达

如果说在AI届或者CV圈，现在议论什么的最多，莫过于ICML 2018、IJCAI 2018和ACL 2018。但本文并不会介绍这里的文章，而是介绍将于2018年9月召开的ECCV 2018的部分paper。ECCV 2018是计算机视觉领域中的顶级会议，目前已经公开了部分已录用的paper。

之前已经推送了两篇ECCV 2018论文速递推文：

Data Augmentation

《Modeling Visual Context is Key to Augmenting Object Detection Datasets》

ECCV 2018

Examples of data-augmented training examples produced by our

approach

Illustration of our data augmentation approach

Abstract：众所周知，用于深度神经网络的数据增广（data augmentation）对于训练视觉识别系统是十分重要的。通过人为增加训练样本的数量，它有助于减少过度拟合并改善泛化。对于物体检测（object detection），用于数据增强的经典方法包括生成通过基本几何变换和原始训练图像的颜色变化获得的图像。在这项工作中，我们更进一步，利用 segmentation annotations 来增加训练数据上存在的对象实例的数量。为了使这种方法获得成功，我们证明，适当地建模对象周围的视觉上下文（ visual context ）对于将它们放置在正确的环境中至关重要。否则，我们会发现之前的策略确实会受到伤害。通过我们的上下文（context）模型，当VOC'12基准测试中很少有标记示例可用时，我们实现了显著的平均精度改进。

arXiv：https://arxiv.org/abs/1807.07428

注：很有魔性的论文，很多人曾经应该想过如何把Object嵌入到图像中，但至于如何实现，这就体现工作量。不知道GAN是否可以突破一下~

Face Recognition

《From Face Recognition to Models of Identity: A Bayesian Approach to Learning about Unknown Identities from Unsupervised Data》

ECCV 2018

Face recognition settings

Overview of the proposed generative model

Abstract：当前的面部识别系统可以在各种成像条件下稳健地识别身份。在这些系统中，通过分类到从监督身份标记获得的已知身份来执行识别。这个当前范例存在两个问题：（1）current systems are unable to benefit from unlabelled data which may be available in large quantities; （2）当前系统将成功识别等同于给定输入图像的标记。另一方面，人类会对完全无监督的个体进行识别，即使没有能够命名该个体，也要认识到他们之前见过的人的身份。我们如何超越当前的分类范式，更加人性化地理解身份？我们提出了一个综合的贝叶斯模型，该模型连贯地推理观察到的图像，身份，名称的部分知识以及每个观察的情境背景。我们的模型不仅对已知身份获得了良好的识别性能，它还可以从无监督数据中发现新身份，并学习将身份与不同情境联系起来，这取决于哪些身份倾向于一起观察。此外，提出的半监督组件不仅能够处理熟人的名字，而且还能够处理统一框架中未标记的熟悉面孔和完全陌生人。

arXiv：https://arxiv.org/abs/1807.07872