ECCV 2018 亮点集锦：自动驾驶、新网络结构、新图像风格迁移思路

今年，ECCV 2018 的参会人员达到了史无前例的数量，计算机视觉领域的最新进展，也一如既往地在此一一亮相。如我们所料，本次会议的所有议程都聚焦于卷积神经网络（CNNs）的深度学习。

没有参会的小伙伴们，不妨通过这篇亮点集锦，来了解一下在 ECCV 2018 上亮相的一些颇吸引眼球的主题：

自动驾驶

Self-localization on-the-fly（《行驶途中的自我定位》）

ECCV 2018 的重点主题之一就是自动驾驶。你能与竞争得过LIDAR（http://t.cn/Ev0aW0v）吗? 你能基于视频对车辆进行 3D 物体检测和重建吗？查看一下 ECCV 中的一些挑战（http://t.cn/Ev6OFTd）。

挑战赛地址：http://apolloscape.auto/ECCV/challenge.html

CARLA: Democratizing Autonomous Driving Research（《CARLA: 让自动驾驶研究平民化》）

对于城市地区来说，自动驾驶有很高的安全性要求。你听过CARLA（http://t.cn/Rj4HSpO）仿真器吗？有了它，不需要实际上路也能训练你的自动驾驶算法。你可以在这里（http://t.cn/Ev0StUF）找到学习指导。

演示视频：https://www.youtube.com/watch?v=AaJekfFR1KQ

新型神经网络结构和方案

Convolutional Networks with Adaptive Computation Graphs（《带有自适应计算图的卷积网络》）

Anreas Veit 表示 CNNs 并不一定需要固定的前馈结构，而是提出了在ImageNet上的表现比ResNet更好的自适应网络拓扑结构。你可以在这里（http://t.cn/Ev0SnFU）阅读论文梗概。

论文查看地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Andreas_Veit_Convolutional_Networks_with_ECCV_2018_paper.pdf

Lifting Layers: Analysis and Application（《提升层：分析与应用》）

对于深度学习在图像分类和图像去噪中的应用来说，增加输入的维度为什么会有帮助呢？为什么还能训练得更快呢？

论文查看地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Michael_Moeller_Lifting_Layers_Analysis_ECCV_2018_paper.pdf

Jointly Discovering Visual Objects and Spoken Words from Raw Sensory Input（《从原始传感器输入中联合提取视觉目标与语言词汇》）

你知道神经网络能够用来发现音频-视觉语义的对应关系，从而让我们突出大家所提到的（图像中的）物体、视野或区域吗？

论文查看地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/David_Harwath_Jointly_Discovering_Visual_ECCV_2018_paper.pdf

Learning Discriminative Video Representations Using Adversarial Perturbations（《通过对抗性扰动学习有判别力的视频表征》）

CNN 特征，史蒂费尔流形，黎曼共轭梯度体系——把这些艰深的东西全部汇到了一起。

论文查看地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Jue_Wang_Learning_Discriminative_Video_ECCV_2018_paper.pdf

图像魔法

Diverse Image-to-Image Translation via Disentangled Representations（《通过解耦表征的多样化图像到图像转换》）

我们怎样用指定的内容和属性生成一张新图片？

论文查看地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Hsin-Ying_Lee_Diverse_Image-to-Image_Translation_ECCV_2018_paper.pdf

Style-aware Content Loss for Real-time HD Style Transfer（《用于实时高清风格抓换的基于风格的内容损失》）

该论文的作者为图像的风格迁移问题打下了基础。他们为我们提供了一种能模仿不同历史艺术家的风格的——虚构的「绘画」。这些「绘画」都由 CNNs 产生自真实世界的图像，并且可以轻松骗过人类观者。这项工作甚至可以用来生成视频！

论文查看地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Artsiom_Sanakoyeu_A_Style-aware_Content_ECCV_2018_paper.pdf

Kochen mit Spaß!

现在有一个叫做Cookpad的移动 App！你可以用它来给美食拍照，之后，CNN 将会对食物进行鉴别，让这个 App 能够告诉你要准备什么材料，以及怎样自己动手做出这些食物。

论文查看地址：https://www.semanticscholar.org/paper/Deep-based-Ingredient-Recognition-for-Cooking-Chen-Ngo/23fd82c04852b74d655015ff0876e6c5defc6e61

计算机视觉大家庭还在蓬勃成长，绝妙的点子和应用也越来越多！

本文参考：https://blog.alookanalytics.com/2018/09/12/highlights-from-the-european-conference-on-computer-vision-2018/