亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

【導讀】ICASSP (International Conference on Acoustics, Speech and Signal Processing) 即國際聲學、語音與信號處理會議，是IEEE主辦的全世界最大的，也是最全面的信號處理及其應用方面的頂級會議，在國際上享有盛譽并具有廣泛的學術影響力。ICASSP 2022線上會議和新加坡會場的會議仍將在5月7至13日和5月22至27日如期舉行。

詳情可登陸以下會議官網查詢： //2022.ieeeicassp.org/conference_policies.php/

「最佳論文獎」(Best Paper Award)

切片概率度量在機器學習中越來越受歡迎，它們在各種應用中扮演著典型的角色，包括統計假設檢驗和生成式建模。然而，在實際環境中，建立在這些距離上的算法的收斂行為還沒有很好地建立起來，除了一些特定的情況。本文基于將高維分布切片成一維邊集的思想，引入了一種新的切片概率度量族——廣義切片概率度量(GSPMs)。我們證明GSPMs是真正的度量，它們與最大平均偏差(MMD)有關。利用這一關系，我們考慮了基于GSPM的梯度流，并表明，在溫和的假設下，梯度流收斂到全局最優。最后，我們證明了各種GSPMs的選擇導致了新的正定核，可以在MMD公式中使用，同時提供了獨特的積分幾何解釋。我們舉例說明了GSPMs在梯度流中的應用。

相對諧波系數(RHC)最近作為一種多麥克風空間特征被引入，當應用于到達方向(DOA)估計時顯示出了良好的性能。現有的基于RHC的DOA估計器由于固有的基于網格的搜索而受到分辨率的限制。與此相反，本文利用一階RHC通過推導指向期望源方向的方向矢量，提出了一種閉合形式的DOA估計器。采用定位精度和算法復雜度兩個客觀指標，分別在模擬和現實環境中與現有的基于RHC和基于強度的定位方法進行了評估和比較。

「最佳學生論文獎」(Best Student Paper Award)

單光子光探測和測距(激光雷達)捕獲三維場景的深度和強度信息。根據觀測到的光子重建場景是一項具有挑戰性的任務，因為與背景光源相關的虛假檢測。為了解決這一問題，有大量的三維重建算法利用自然場景的空間規律性來提供穩定的重建。然而，現有的大多數算法的計算和存儲復雜度與記錄光子的數量成正比。這種復雜性阻礙了它們在每秒獲取數十億光子的現代激光雷達陣列上的實時部署。利用最近的激光雷達草圖框架，我們表明，它是可能的修改現有的重建算法，這樣他們只需要一個光子信息的小草圖。特別地，我們提出了一種最新的先進算法的草圖版本，該算法使用點云去噪來提供空間正則化重建。在真實的激光雷達數據集上進行的一系列實驗表明，在實現與全數據情況相同的重構性能的同時，執行時間和內存需求顯著減少。

考慮協同蜂窩網絡中的聯合波束形成和量化問題，即多個中繼型基站通過限速前置鏈路連接到中央處理器，協同服務于用戶。該問題可表示為在所有用戶的信干擾加噪聲比(SINR)約束和所有類中繼BSs的前饋速率約束下，使總發射功率最小。本文首先通過給出所考慮問題的半定松弛(SDR)的緊性，證明了所考慮問題與其拉格朗日對偶之間不存在對偶間隙。然后我們提出了一個基于拉格朗日對偶的有效算法來求解所考慮的問題。該算法明智地利用問題的KKT (Karush-Kuhn-Tucker)條件的特殊結構，通過兩次不動點迭代找到滿足KKT條件的解。該算法具有很高的效率(在兩次不動點迭代中計算函數的成本都很低)，并保證能找到問題的全局解。仿真結果表明了該算法的有效性和正確性。

在包括三維重建、機器人交互的手眼協調、自動駕駛等各種任務中，攝像機標定是必不可少的。我們提出了一種利用圖像對來預測外部(基線、間距和平移)、內部(焦距和主點偏移)參數的新方法。與現有的方法不同，我們沒有設計端到端解決方案，而是提出了一種新的表示，將相機模型方程作為多任務學習框架中的神經網絡。我們通過新的攝像機投影損失(CPL)來估計所需的參數，該方法利用攝像機模型神經網絡重建三維點，并利用重建損失來估計攝像機參數。據我們所知，我們是第一種通過多任務學習方法聯合估計內、外參數的方法，該方法結合了學習框架中的解析方程來估計攝像機參數。在此基礎上，提出了一種基于CARLA Simulator[1]的CVGL攝像機標定數據集。在經驗上，我們證明，我們提出的方法在使用合成和真實數據評估的10個參數中的8個上，與基于深度學習和傳統方法相比，取得了更好的性能。我們的代碼和生成的數據集可以在

「最佳工業論文獎」(Best Paper Award for Industry)

---

KDD 會議始于 1989 年，是數據挖掘領域歷史最悠久、規模最大的國際頂級學術會議，也是首個引入大數據、數據科學、預測分析、眾包等概念的會議。

目前，KDD 2021 大會正在線上如火如荼地舉行當中，議程包括主題演講、專題小組、特邀報告、精選研究、workshop 等。大會共計收到 1541 篇有效投稿，其中 238 篇論文被接收，接收率為 15.4%，相比去年的接收率 16.9% 有所下降。

KDD 2021 線上開幕之前，多個獎項已經公布，包括創新獎、服務獎、學位論文獎（亞軍及榮譽提名）、新星獎、時間檢驗研究獎和時間檢驗應用科學獎，其中北航校友 Xia “Ben” Hu （胡俠）獲得了新星獎，字節跳動 AML 研究團隊 Chong Wang 的一篇 KDD 2011 論文獲得了時間檢驗研究獎。

剛剛，KDD 2021 公布了研究方向（research track）和應用數據科學方向（Applied Data Science Track）的最佳論文和最佳學生論文，具體如下：

首爾大學研究者獲得研究方向最佳論文獎

斯坦福大學等機構的研究者獲得應用數據科學方向最佳論文

北京理工大學和美的集團的研究者獲得應用數據科學方向最佳論文亞軍

維也納大學的研究者獲得研究方向最佳學生論文

研究方向最佳論文

今年的「研究方向最佳論文獎」由來自首爾大學的 Jun-gi Jang、U Kang 摘得，獲獎論文是《Fast and Memory-Efficient Tucker Decomposition for Answering Diverse Time Range Queries》。

論文地址：//dl.acm.org/doi/pdf/10.1145/3447548.3467290

論文摘要：給定一個時間密集張量和一個任意的時間范圍，我們如何有效地在這個范圍內得到潛在因子？Tucker 分解是分析密集張量以發現隱藏因子的基本工具，已在許多數據挖掘應用中得到應用。然而，現有的分解方法不提供分析特定范圍的時間張量的功能。現有的方法是 one-off 形式，主要集中在對整個輸入張量執行一次 Tucker 分解。盡管現有的一些預處理方法可以處理時間范圍查詢，但它們仍然非常耗時，并且準確率較低。

在該論文中，該研究提出了 Zoom-Tucker，這是一種快速且節省內存的 Tucker 分解方法，可用于在任意時間范圍內查找時間張量數據的隱藏因子。Zoom-Tucker 充分利用塊結構來壓縮給定的張量，支持有效查詢并捕獲本地信息。Zoom-Tucker 通過精心解耦包含在該范圍內的預處理結果并仔細確定計算順序，快速且高效地回答各種時間范圍查詢。研究證明，與現有的方法相比 Zoom-Tucker 的速度快 171.9 倍，所需空間少 230 倍，同時提供了相當的準確率。

研究方向最佳學生論文

來自維也納大學計算機學院的 Ylli Sadikaj 等人獲得了研究方向最佳學生論文，獲獎論文是《Spectral Clustering of Attributed Multi-relational Graphs》。

論文地址：

論文摘要：圖聚類旨在發現節點的自然分組，以便將相似的節點分配到一個公共集群。已有一些研究提出了面向多種圖的多種算法，包括簡單圖、節點含有相關屬性的圖，以及對于邊代表不同類型關系的圖等。然而，許多領域中的復雜數據可以同時表征為屬性網絡和多關系網絡。在該論文中，研究者提出了 SpectralMix，這是一種用于具有分類節點屬性的多關系圖的聯合降維技術。SpectralMix 集成了來自屬性、關系類型和圖結構的所有可用信息，以實現對聚類結果的合理解釋。此外，SpectralMix 泛化了現有方法：當僅應用于單個圖時，它簡化為頻譜嵌入和聚類，當應用于分類數據時轉換為同質性分析。該研究在幾個現實世界的數據集上進行了實驗，以檢測圖結構和分類屬性之間的依賴關系，并展示了 SpectralMix 相比于現有方法的優勢。

應用數據科學方向最佳論文獎

今年的「應用數據科學方向最佳論文獎」由來自斯坦福大學等機構的 Serina Chang 等人摘得，獲獎論文是《Supporting COVID-19 policy response with large-scale mobility-based modeling》。

論文地址：

論文摘要：移動性限制（Mobility restriction）一直是控制 COVID-19 傳播的主要干預措施，但它們也給個人和企業帶來經濟負擔。為了平衡這些相互競爭的需求，決策者需要分析工具來評估不同的移動性措施帶來的成本和收益。

在該論文中，研究者介紹了與弗吉尼亞衛生部在決策支持工具上的互動所激發的工作，該工具利用大規模數據和流行病學模型來量化移動性變化對感染率的影響。該研究模型通過使用細粒度的動態移動網絡來捕獲 COVID-19 的傳播，該網絡對人們每小時從社區到各個地方的移動進行編碼，每小時有超過 30 億條邊。通過擾亂移動網絡，該研究可以模擬各種各樣的重新開放計劃，并預測它們在新感染和每個部門的訪問量損失方面的影響。為了在實踐中部署這個模型，該研究構建了一個具有魯棒性的計算基礎設施來運行數百萬個模型，并且該研究與政策制定者合作開發了一個交互式儀表板（dashboard），用于傳達模型對數千個潛在政策的預測。

應用數據科學方向最佳論文亞軍

北京理工大學和美的集團的 Hao Wang、Chi Harold Liu 和 Jian Tang 等人獲得了應用數據科學方向最佳論文亞軍，獲獎論文是《 Energy-Efficient 3D Vehicular Crowdsourcing For Disaster Response by Distributed Deep Reinforcement Learning 》。

論文地址：

論文摘要快速有效地訪問環境和生活數據是成功應對災害的關鍵。由無人機和無人駕駛汽車等無人駕駛交通工具 (UV) 組成的車輛眾包 (VC) 從興趣點 (PoI) 收集數據，例如可能有幸存者的地點和火災現場，這提供了一種有效的方式來協助災難救援。在該論文中，研究者考慮了在 3D 災難工作區中導航一組 UV，以最大限度地提高收集的數據量、地理公平性、能源效率，同時最大限度地減少由于傳輸速率有限而導致的數據丟失。

該研究提出了一種分布式深度強化學習框架 DRL-DisasterVC(3D)，該框架帶有重復經驗回放 (RER) 以提高學習效率，并使用裁剪目標網絡來提高學習穩定性。該研究使用具有多頭關系注意力 (MHRA) 的 3D 卷積神經網絡進行空間建模，并且添加輔助像素控制 (PC) 進行空間探索。研究者設計了一種名為「DisasterSim」的新型災難響應模擬器，并進行了大量實驗，以表明當改變 UV、PoI 和 SNR 閾值的數量時，DRL-DisasterVC(3D) 在能效方面優于實驗中所有 5 個基線方法。

SIGIR是人工智能領域智能信息檢索方向最權威的國際會議。最新組委會公布了一系列最佳論文。其中來自荷蘭Radboud大學-Harrie Oosterhuis獨自署名的論文獲得最佳論文，山東大學聶禮強組獲得最佳學生論文。

第44屆國際計算機學會信息檢索大會（The 44rd International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2021）于2021年7月11日-7月15日以線上會議形式召開。這次會議共收到720篇長文投稿，僅有151篇長文被錄用，錄用率約21%。

最佳論文

Computationally Efficient Optimization of Plackett-Luce Ranking Models for Relevance and Fairness

Harrie Oosterhuis

地址： //www.zhuanzhi.ai/paper/8115d7d2f9546fdb76d900da6c5ebee6

最近的研究提出了隨機Plackett-Luce (PL)排序模型，作為優化相關性和公平性指標的穩健選擇。與需要啟發式優化算法的確定性模型不同，PL模型是完全可微的。理論上，它們可以通過隨機梯度下降來優化排序指標。然而，在實踐中，梯度的計算是不可行的，因為它需要迭代所有可能的項目排列。因此，實際應用依賴于通過采樣技術來近似梯度。本文介紹了一種新的PL- rank算法，它估計了PL排序模型的相關度和公平性。與基于策略梯度的現有方法不同，PL- rank利用了PL模型和排名度量的特定結構。我們的實驗分析表明，PL-Rank比現有策略梯度具有更大的樣本效率和更低的計算代價，從而在更高的性能下更快地收斂。PL- rank進一步使行業能夠將PL模型用于更相關和更公平的現實排序系統。

最佳學生論文

圖像-文本檢索是信息檢索的基礎和關鍵分支。盡管在銜接視覺和語言方面取得了很大進展，但由于模態內推理和跨模態對齊的困難，這仍然是一個挑戰。現有的模態交互方法在公共數據集上取得了令人印象深刻的效果。然而，他們在交互模式的設計上嚴重依賴于專家經驗和經驗反饋，因此缺乏靈活性。針對這些問題，我們提出了一種新的基于路由機制的模態交互建模網絡，這是第一個統一的、動態的多模態交互框架用于圖像-文本檢索。特別的是，我們首先設計了四種類型的細胞作為基本單元，探索不同層次的形態相互作用，然后將它們密集地連接起來，構建一個路徑空間。為了使模型具有路徑決策的能力，我們在每個單元中集成了一個動態路由器來進行模式探索。由于路由器以輸入為條件，我們的模型可以動態學習不同數據的激活路徑。在Flickr30K和MS-COCO兩個基準數據集上的大量實驗，驗證了我們的模型與幾個最先進的基準相比的優越性。

【導讀】CVPR 2021最佳論文各獎項公布了：來自德國馬普智能所德國馬普智能所等獲最佳論文，何愷明等獲最佳論文提名。

最佳論文獎

深度生成模型允許在高分辨率下合成照片級真實感圖像。但是對于許多應用來說，這還不夠：內容創造還需要做到可控才行。雖然最近有幾項研究探討了如何解開數據中潛在的變化因素，但大多數研究都是在二維空間中進行的，而忽略了我們的世界是三維的。此外，只有少數研究工作考慮到了場景的組合性質。

本文的關鍵假設是——將合成的三維場景表示合并到生成模型中會導致更可控的圖像合成。將場景表示為合成生成的神經特征場，使我們能夠從背景中分離出一個或多個目標以及單個目標的形狀和外觀，同時在無需任何額外的監督下從非結構化和未使用的圖像集合中進行學習。

將這種場景表示與神經渲染 pipeline 相結合，就可以得到一個快速而逼真的圖像合成模型。本文的實驗證明，我們所提出的模型能夠分離單個目標物體，并允許在場景中平移和旋轉它們以及改變相機姿勢。

論文地址：

//www.zhuanzhi.ai/paper/500de8ca500d7c3d3c0b74a75c7a692a

最佳論文榮譽提名獎

1、《Exploring Simple Siamese Representation Learning》

在無監督視覺表征學習的各種最新模型中，孿生網絡已經成為一種常見的結構。這些模型在避免某些方案崩潰的某些條件下，可以使一個圖像的兩次增強之間的相似度最大化。在本文中，作者報告了令人驚訝的經驗結果，即使用簡單的孿生網絡即使不使用以下任何一項也可以學習有意義的表示形式：（i）負樣本對，（ii）大批量，（iii）動量編碼器。我們的實驗表明，對于損失和結構確實存在崩潰解，但是停止梯度操作在防止崩潰方面起著至關重要的作用。作者提供了關于停止梯度含義的假設，并進一步顯示了驗證它的概念驗證實驗。本文的孿生網絡方法在ImageNet和下游任務上取得了競爭性結果。作者希望這個簡單的基準將激勵人們重新思考孿生體系結構在無監督表示學習中的作用。

論文地址：

2、《Learning High Fideity Depths of Dressed Humans by Wathing Socail Media Dance Videos》

學習穿戴人體幾何的一個關鍵挑戰在 ground truth 實數據（如三維掃描模型）的有限可用性，這導致三維人體重建在應用于真實圖像時性的能下降本文們通過利用一個新的數據資源來應對這一挑戰：大量社交媒跳舞蹈視——，涵蓋了不同的外觀、服裝風格、表演和身份。每一個視頻都描述了一個人的身體和衣服的動態運動，但缺乏3 ground truth實幾何圖形.

為了很好地利用這些視頻，本文提出了一種新的方法來使用局部變換，即將預測的局部幾何體從一幅圖像在不同的時刻扭曲到另一幅圖像。這使得自監督學習對預測實施時間一致性。此外，我們還通過最大化局部紋理、褶皺和陰影的幾何一致性，共同學習深度以及對局部紋理、褶皺和陰影高度敏感的曲面法線。

另外本文的方法是端到端可訓練的，能產生高保真深度估計來預測接近于輸入的真實圖像的精確幾何。本文證明了我們提出的方法在真實圖像和渲染圖像上都優于 SOTA 人體深度估計和人體形狀恢復方法。

論文地址：

最佳學生論文獎

為了更準確的標注數據集，具備該領域的專業知識是必要的，但這可能意味專家們將承擔大量繁重和耗時的工作。這個問題在自動行為分析（automated behavior analysis）中尤為突顯。例如，從視頻跟蹤數據中檢測智能體運動或動作。

為了減少注釋的工作量，我們基于多任務自監督學習，提出了一種用于行為分析的有效軌跡嵌入方法—TREBA。利用該方法專家們可以通過“任務編程”過程來有效地設計任務，即使用程序編碼將領域專家的知識結構化。通過交換數據注釋時間來構造少量編程任務，可以減少領域專家的工作量。我們使用行為神經科學領域的數據集評估了該方法，通過小鼠和果蠅兩個領域內三個數據集的測試，實驗結果表明：通過使用TREBA的嵌入，注釋負擔減少了10倍。該研究結果表明，任務規劃和自監督是減少領域專家注釋工作量的有效方法。

論文地址：

最佳學生論文提名獎

標題： Less is More: CLIPBERT for Video-and-Language Learning via Sparse Sampling 鏈接: code: 圖片

規范的視頻和語言學習方法（例如，視頻問答）規定了一個神經模型，可以從視覺模型的離線提取的密集視頻功能和語言模型的文本功能中學習。這些特征提取器是經過獨立訓練的，通常在與目標域不同的任務上進行訓練，使這些固定特征對于下游任務而言不是最理想的。此外，由于密集視頻特征的高計算量，通常難以（或不可行）將特征提取器直接插入現有方法中以進行微調。為了解決這一難題，本文提出了一個通用框架CLIPBERT，該框架通過使用稀疏采樣（僅使用一個視頻中的一個或幾個稀疏采樣的短片）來實現可負擔的視頻和語言任務的端到端學習。

2. Binary TTC: A Temporal Geofence for Autonomous Navigation

Time-to-contact (TTC)，即物體與觀察者的水平碰撞時間，它是一個強大的路徑規劃工具：擁有比場景中物體的深度、速度和加速度更豐富的信息。TTC的最大優點是只需要一個單目的、未校準的攝像機。不過，回歸每個像素的TTC并不容易，現有的大多數方法對場景的假設都過于簡化。

本文通過一系列簡單的二元分類（binary classifications）來估計TTC，從而解決了這個難題。我們以較低的延遲預測觀察者是否會在一定時間內與障礙物相撞，這通常比精確每個像素的TTC更為關鍵。針對這種情況，我們的方法在6.4毫秒內提供了一個臨時地理圍欄（geofence）——它比現有方法快25倍多。

在計算預算允許的條件下，該方法也可以用任意精細量化（包括連續值）來估計單個像素的TTC。據我們所知，它是第一個在足夠高的幀速率下為實際使用提供TTC信息（二進制或粗略量化）的方法。

3. 《Real-Time High-Resolution Background Matting》

本文介紹了一種實時、高分辨率的背景更換技術，該技術可以在GPU上以30fps速度運行4K分辨率和以60fps的速度運行高清分辨率。我們的技術基于背景消光（background matting），通過一個額外的背景幀來恢復alpha蒙版和前景層。該技術最大的挑戰是計算一個高質量的alpha蒙版，即在實時處理高分辨率圖像的同時保留頭發的細節。

為了實現這一目標，我們采用了兩種神經網絡；一個是基礎網絡計算，二是低分辨率的結果，這個結果由第二個網絡在高分辨率的選擇性補丁上進行細化。我們介紹了兩個大規模的視頻和圖像摳圖數據集：VideoMatte240K和PhotoMatte13K/85。實驗證明，該方法與其他現金的背景摳圖模型相比，產生了更高質量結果相比，同時顯著提高了運行速率和分辨率。