魔视智能算法团队论文被机器学习顶级会议ICML录用

近日，第36届国际机器学习大会(International Conference on Machine Learning)，在美国长滩会议中心隆重召开，该会议作为机器学习人工智能领域的两大顶级盛会之一，代表着热门科研领域的最前沿，具有广泛而深远的国际影响力。ICML 2019年一共在3424篇论文中录取774篇，录用率仅有22.6%。

魔视智能连同澳大利亚国立大学，莫纳什大学，以及NEC America Lab的研究员共同完成了名为神经协同子空间聚类（NeuralCollaborative Subspace Clustering）论文，该论文解决了谱聚类对子空间聚类的限制，为以后将子空间聚类扩展到大规模数据集上迈出了第一步。

魔视智能团队在ICML会议上的论文展示

聚类是无监督学习中核心的任务之一，目标就是根据损失函数来自动对样本进行类别划分，而子空间聚类是实现高维数据聚类更有效的途径，是高维数据空间中对传统聚类的扩展。如今大规模数据和神经网络大行其道，高维数据空间的表征学习已经成为目前最为主流探讨的问题。

子空间聚类是一种基于谱聚类的子空间聚类方法, 其基 本思想是, 假设高维空间中的数据本质上属于某个 低维子空间, 能够在低维子空间中进行线性表示, 反过来, 高维数据的低维表示能够揭示数据所在的本 质子空间, 有利于数据聚类。

论文网络基本框架图

为了克服传统工作总是需要所有数据建立拉普拉斯矩阵和谱聚类带来的内存消耗和计算量大的缺点，该方法主要得益于建立了一个基于神经网络的分类器来确定任意两个数据是否在同一个子空间中。算法更本质的部分是构建了两个归属矩阵：一个基于分类器，另一个则基于子空间自表达性；并利用这两个归属矩阵进行协同监督训练。本文完整地对比了该算法和目前最好的聚类方法（包括具有深度子空间的聚类方法）的实验效果，验证了方法的有效性。

该方法在图像分割领域可以对移动物体的位置进行更精确的分割，同时，在语意SLAM中可以用来无监督的对图片进行分割，减少人工标定成本。

此次ICML会议，魔视智能再次展示了在机器学习领域的高水平研究成果和尖端算法研发能力。在机器学习和计算机视觉等人工智能的前沿核心领域，魔视智能始终保持国际领先的研发水平。

迄今为止，魔视智能核心专家团队已经在CVPR/ ICCV/ NIPS/ ECCV/  TPAMI上发表顶级学术论文超过100篇，引用次数多达20242次（Google Scholar Citation, as of Apr. 2019）。分别两次在CVPR和ICCV上获得最佳论文大奖及大奖提名。并且多次在包括CITYSCAPES和KITTI等国际权威算法比赛上夺得世界第一。

魔视智能持续致力于将最前沿的人工智能科技在汽车工业落地，推动自动驾驶技术的进步。