摘要： 雨水會產生不良的視覺偽影，從而嚴重影響可視性，并導致許多計算機視覺系統（例如自動駕駛汽車，監視系統，自動駕駛無人機等）崩潰。雨水會以雨滴，雨水積聚/遮蓋效果（在視覺上類似于霧或霧）以及附著在相機鏡頭或汽車擋風玻璃上的雨滴的形式引入人工制品。在本教程中，我們打算討論如何恢復由于這些雨水偽影及其復合問題而導致的降級背景信息，從而增強場景的可見性。為了處理雨水條紋和雨水積聚，我們將簡要討論傳統的非深度學習方法的演變，并將更多地關注于最新的深度學習方法的工作原理。目前，大多數基于深度學習的方法都是在監督下進行訓練的，并提供了真實情況數據。但是，獲得真實的地面真實數據非常困難。因此，現有方法依賴于呈現的合成數據。這種方法的問題在于，在降級復雜性，背景變化，光照變化等方面，合成數據與真實數據存在顯著差異。因此，為了能夠正確解決降雨條紋和降雨積聚的問題，我們需要超越綜合訓練。除了雨水條和雨水積聚之外，附著在玻璃窗或相機鏡頭上的雨滴還會嚴重妨礙背景場景的可見性并嚴重降低圖像質量。已經提出了一些非深度學習方法來處理附著的雨滴，但是結果不足。這個問題是棘手的，因為首先沒有給出被雨滴遮擋的區域。第二，關于被遮擋區域的背景場景的信息在很大程度上被完全丟失。為了解決該問題，現有技術方法使用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。有關被遮擋區域背景場景的信息在很大程度上已完全丟失。為了解決該問題，現有技術方法使用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。有關被遮擋區域背景場景的信息在很大程度上已完全丟失。為了解決該問題，現有技術方法使用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。現有技術方法利用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。現有技術方法利用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。
個人簡介： Robby T. Tan是新加坡國立大學副教授，也是國大電氣與計算機工程系的副教授。來新加坡之前，他曾是荷蘭烏得勒支大學的助理教授，倫敦帝國學院的研究助理以及NICTA /澳大利亞國立大學的研究科學家。他在日本東京大學獲得了計算機科學博士學位。他與ACCV 2014一起組織了有關圖像恢復和增強的新興主題（IREw）研討會，并與CVPR 2019一起組織了“全季節視野：惡劣天氣和夜間”研討會。他曾擔任ACCV 2010和ACCV 2018區域主席。他還擔任ECCV 2016的出版物主席，并定期擔任CVPR / ICCV / ECCV的程序委員會成員。他在CVPR 2008中進行的除霧工作被認為是單圖像除霧文學的開創性工作。他的研究重點在惡劣的天氣/夜間和基于物理的視覺領域。
付費5元查看完整內容
相關內容
我們提出了一種基于學習的方法來去除不需要的障礙物，如從一個移動的相機捕獲的短序列圖像中的窗戶反射、柵欄遮擋或雨滴。我們的方法利用背景和障礙物元素之間的運動差異來恢復這兩個圖層。具體來說，我們在估計兩層的密集光流場和通過深度卷積神經網絡從流扭曲圖像重建每一層之間進行交替。基于學習的層重構允許我們在流量估計和脆性假設(如亮度一致性)中考慮潛在的誤差。結果表明，綜合生成的訓練數據能很好地轉換為真實圖像。我們在反射和柵欄移除的許多挑戰性場景中的結果證明了該方法的有效性。
付費5元查看完整內容
題目： Anomalous Instance Detection in Deep Learning: A Survey
摘要：
深度學習(DL)容易受到分布不均勻和對抗性示例的影響，從而導致不正確的輸出。為了使DL更具有魯棒性，最近提出了幾種方法:異常檢測技術來檢測(并丟棄)這些異常樣本。本研究試圖為基于DL的應用程序異常檢測的研究提供一個結構化的、全面的概述。我們根據現有技術的基本假設和采用的方法為它們提供了一個分類。我們討論了每個類別中的各種技術，并提供了這些方法的相對優勢和劣勢。我們在這次調查中的目標是提供一個更容易并且更好理解的技術，這項技術是在這方面已經做過研究的，且屬于不同的類別的。最后，我們強調了在DL系統中應用異常檢測技術所面臨的未解決的研究挑戰，并提出了一些具有重要影響的未來研究方向。
付費5元查看完整內容
主題： Causal Confusion in Imitation Learning
簡介： 行為克隆通過訓練判別模型來預測觀察到的專家行為，從而將策略學習轉換為監督學習，這樣的判別模型不是因果關系，因為訓練過程并不了解專家與環境之間相互作用的因果結構。我們認為，由于模仿學習中的分布變化，忽略因果關系尤其有害。特別是，這會導致違反直覺的“因果識別錯誤”現象：訪問更多信息可能會導致性能下降。我們調查了此問題的產生方式，并提出了一種解決方案，可通過有針對性的干預措施（環境互動或專家查詢）來解決，以確定正確的因果模型。
嘉賓介紹： Dinesh Jayaraman，賓夕法尼亞大學的新任助理教授，還是Facebook AI Research的客座研究員，致力于視覺和機器人技術的交叉問題，在此之前，曾是加州大學伯克利分校伯克利人工智能研究實驗室的博士后。
Pim de Haan，高通 AI的助理研究員，研究方向機器學習和數學幾何的交叉。
付費5元查看完整內容
簡介： 為了解釋超參數化深度網絡令人驚訝的良好泛化行為，最近的工作開發了各種泛化邊界學習方法，這些方法都是基于統一收斂的基礎學習理論技術。盡管眾所周知，存在多個邊界的數值很大，但通過大量實驗，我們發現了這些邊界的更多相關方面：在實踐中，這些邊界會隨著訓練數據集的大小而增加。然后，以我們的觀察為指導，我們提供了由梯度下降（GD）訓練的過參數化線性分類器和神經網絡的示例，其中即使證明了最大程度地考慮了GD的隱性偏差，也證明均勻收斂不能“解釋泛化”。更準確地說，即使我們僅考慮GD輸出的分類器集，其測試誤差小于我們的設置中的一些誤差，我們仍然表明，在這組分類器上應用（雙面）均勻收斂只會產生虛無泛化保證大于1?ε。通過這些發現，我們對基于統一收斂的泛化邊界的威力提出了疑問，以提供為什么超參數化的深層網絡能夠很好地泛化的完整情況。
本文提出了本質上是負面的結果，表明許多現有的（基于規范的）深度學習算法的性能邊界無法達到他們要求的結果。作者進一步說，當其他研究者繼續依靠雙邊一致收斂的機制時，他們將無法達到自己宣稱的結果。雖然本文沒有解決（也不假裝解決）深層神經網絡中的泛化問題，但是將該算法“釘死在十字架上”（培根原話“An Instance of the Fingerpost”），指出機器學習領域應該關注另一個不同的地方。
作者介紹： Vaishnavh Nagarajan，卡內基梅隆大學（CMU）計算機科學系五年級的博士生。他的興趣在于機器學習和人工智能的算法和基礎方面。目前，他正在研究如何在有監督和無監督的學習環境中從理論上理解深度學習中的泛化。在過去，他從事過更傳統的學習理論、多智能體系統和強化學習。
Zico Kolter，卡內基梅隆大學計算機科學學院計算機科學系的副教授。 除了在CMU的全職工作之外，還任博世AI中心（BCAI）的AI研究首席科學家，工作重點是機器學習，優化和控制。 具體來說，就是使深度學習算法更安全，更可靠，更易于解釋。個人主頁：//www.csd.cs.cmu.edu/people/faculty/zico-kolter
付費5元查看完整內容
報告主題： 圖像的非監督增強匹配
報告摘要： 當前在使用深度神經網絡識別圖像時，需要標注大量圖像，而這需要耗費大量的人力和時間。為此我們嘗試解決下面問題：給定一些物體的標準圖像，對大量未標注的圖像實現自動的圖像標注。我們以文字識別和交通標示識別問題為例，設計了的新的方法。實驗結果表明我們較好的完成了這些圖像的自動標注。
邀請嘉賓： 清華大學張長水教授
付費5元查看完整內容
摘要：許多圖像增強和恢復任務，例如圖像去噪和超分辨率，都遭受著真實地面數據的缺乏或匱乏之苦。這使實際環境中的方法訓練和評估嚴重復雜化。代替直接解決這些問題，研究的主要重點一直放在人工生成的配對數據上。例如，在圖像去噪的情況下，最常見的配對數據是通過添加高斯白噪聲來清洗圖像。類似地，在超分辨率的上下文中應用雙三次下采樣，以獲得相應的低分辨率圖像。但是，這些圖像降級技術僅充當其真實對應技術的粗略近似。實際上，降解過程要復雜得多，而且常常是未知的。例如，雙三次降采樣通過減少實際圖像中存在的噪聲和其他高頻內容，極大地改變了圖像特性。因此，不能期望在這種人工條件下訓練的圖像增強和還原方法能夠推廣到實際環境。當模型應用于真實數據時，我們將研究由人工設置引起的問題。我們將審查用于半監督和無監督圖像增強和恢復的方法，特別關注現實世界中的超分辨率問題，其目的是減少或消除對人工創建的配對數據的需求。因此，不能期望在這種人工條件下訓練的圖像增強和還原方法能夠推廣到實際環境。當模型應用于真實數據時，我們將研究由人工設置引起的問題。我們將審查用于半監督和無監督圖像增強和恢復的方法，特別關注現實世界中的超分辨率問題，其目的是減少或消除對人工創建的配對數據的需求。因此，不能期望在這種人工條件下訓練的圖像增強和還原方法能夠推廣到實際環境。當模型應用于真實數據時，我們將研究由人工設置引起的問題。我們將審查用于半監督和無監督圖像增強和恢復的方法，特別關注現實世界中的超分辨率問題，其目的是減少或消除對人工創建的配對數據的需求。
簡介： Martin Danelljan是瑞士蘇黎世聯邦理工學院的博士后研究員。他獲得了博士學位。他于2018年從瑞典林雪平大學獲得博士學位。論文在SCIA 2019上獲得了兩年一度的最佳北歐論文獎。他的主要研究興趣是用于視覺跟蹤和視頻對象分割的在線和元學習方法，用于圖像生成的深度概率模型以及無監督或受限監督的機器學習。特別是他在視覺跟蹤領域的研究引起了很多關注。2014年，他贏得了視覺對象跟蹤（VOT）挑戰賽和OpenCV最先進的視覺挑戰賽。此外，他在VOT2016和VOT2017挑戰賽中均排名最高。他獲得了ICPR 2016最佳論文獎和BMVC 2019最佳學生論文獎。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191