学霸说 | 三大高校学霸齐发力，精解CVPR2020最新论文
CSIG-广东省CVPR2020论文预交流在线学术报告会于2020年5月16日成功举办，报告会人气峰值高达1.8万人。
经CSIG常务理事、华南理工大学金连文教授推荐，图图精选了三个优秀报告，分享给大家，成果分别来自华南理工大学贾奎教授团队、中山大学林倞教授团队、深圳大学沈琳琳教授团队。
《Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering 》通过结构正则化深度聚类解决无监督域适应问题
《Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking》基于深度误排序学习的行人重识别对抗攻击
《Wavelet Integrated CNNs for Noise-Robust Image Classification》有效提升图像分类噪声鲁棒性的小波卷积网络
Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering
通过结构正则化深度聚类解决无监督域适应问题
论文作者：唐慧，陈轲，贾奎
作者单位：华南理工大学
下载地址：
无监督域适应（UDA）主流方法学习两个域之间对齐的特征，使得一个在源特征上训练的分类器能够容易地应用到目标特征，然而这种迁移策略存在潜在的风险：破坏目标数据的固有可区分性。
为了降低这个风险，受结构域相似性假设激励，报告提出通过目标数据的可区分聚类去发现固有目标可区分性，并提出一种结构正则化深度聚类（SRDC）方法，消融研究显示了该方法具有明显优势。
作者简介
唐慧，华南理工大学电子与信息学院，博士研究生，主要研究方向为计算机视觉。
E-mail：eehuitang@mail.scut.edu.cn
陈轲，华南理工大学电子与信息学院，副教授，主要研究方向为计算机视觉和模式识别。
E-mail：chenk@scut.edu.cn
贾奎，华南理工大学电子与信息学院，教授，主要研究方向为计算机视觉和机器学习。
E-mail：kuijia@scut.edu.cn
团队相关成果
（向上滑动查看更多）
[1] Hui Tang and Kui Jia, “Discriminative Adversarial Domain Adaptation”, Proc. of AAAI Conference on Artifificial Intelligence (AAAI), 2020.
[2]Yabin Zhang, Hui Tang, Kui Jia, and Mingkui Tan, “Domain-Symmetric Networks for Adversarial Domain Adaptation”, Proc. of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.
[3]Yabin Zhang, Hui Tang, and Kui Jia, “Fine-Grained Visual Categorization using Meta-Learning Optimization with Sample Selection of Auxiliary Data”, Proc. of European Conference on Computer Vision (ECCV), 2018.
[4]Junyi Pan, Xiaoguang Han, Weikai Chen, Jiapeng Tang, and Kui Jia, “Deep Mesh Reconstruction from Single RGB Images via Topology Modifification Networks”, Proc. of IEEE International Conference on Computer Vision (ICCV), 2019.
[5]Jiapeng Tang, Xiaoguang Han, Junyi Pan, Kui Jia, and Xin Tong, “A Skeleton bridged Deep Learning Approach for Generating Meshes of Complex Topologies from Single RGB Images”, Proc. of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019. (Oral, Best Paper Finalists)
[6]Kun Zhou, Xiaoguang Han, Nianjuan Jiang, Kui Jia, and Jiangbo Lu, “HEMlets Pose: Learning Part-Centric Heatmap Triplets for Accurate 3D Human Pose Estimation”, Proc. of IEEE International Conference on Computer Vision (ICCV), 2019.
Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking
基于深度误排序学习的行人重识别对抗攻击
论文作者：王弘焌，林倞
作者单位：中山大学
下载地址：
深度神经网络 (DNN) 的脆弱性使得当今行人重识别系统的鲁棒性亟待探索，否则将引起严重的后果：如犯罪分子通过对抗攻击的方法欺骗闭路监控。
报告提出一种学习误排序的模型来扰乱系统输出的排序，以此检验了当今性能最好的若干种行人重识别模型的不安全性。由于跨数据集的可迁移性在行人重识别中至关重要，构建了多级网络体系结构进行半黑盒式攻击，该结构将不同级别的特征金字塔化，以提取对抗性扰动的一般和可传递特征。为了保证攻击的不可感知，还提出了可微分的采样来控制待攻击像素的数量，并联合优化一种新的感知损失，以实现更好的视觉质量。在四个最大的Re-ID基准数据集上进行的广泛实验，不仅显示了方法的有效性，而且还为Re-ID系统的鲁棒性提供了未来改进的方向。
作者简介
王弘焌，中山大学数据科学与计算机学院，硕士研究生，主要研究方向为机器学习的安全性问题、对抗样本的攻击与防御、生成式模型。
E-mail：wanghq8@mail2.sysu.edu.cn
林倞，中山大学数据科学与计算机学院，教授，主要研究方向为机器感知与学习，智能系统与应用。
E-mail：linliang@ieee.org
团队相关成果
（向上滑动查看更多）
[1]Qingxing Cao, Xiaodan Liang, Bailin Li, and Liang Lin, “Interpretable Visual Question Answering by Reasoning on Dependency Trees”, IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI), 2019.
[2]Yukai Shi, Guanbin Li, Qingxing Cao, Keze Wang, and Liang Lin, “Face Hallucination by Attentive Sequence Optimization with Reinforcement Learning”, IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI), DOI: 10.1109/TPAMI.2019.2915301, 2019.
[3]Ruimao Zhang, Jingyu Li, Hongbin Sun, Yuying Ge, Ping Luo, Xiaogang Wang, and Liang Lin*, “SCAN: Self-and-Collaborative Attention Network for Video Person Re-identification”, IEEE Transactions on Image Processing (T-IP), 2019.
[4]Lingbo Liu, Zhilin Qiu, Guanbin Li, Qing Wang, Wanli Ouyang, and Liang Lin, “Taxi Origin-Destination Demand Prediction with Contextualized Spatial-Temporal Network”, IEEE Transactions on Intelligent Transportation Systems (T-ITS), 2019.
[5]Xiaobai Liu, Qian Xu, Eric Medwedeff, Grayson Adkins, Liang Lin and Shuicheng Yan, “Learning Semi-supervised Multi-Label Fully Convolutional Network for Hierarchical Object Parsing”, IEEE Transactions on Neural Networks and Learning Systems (T-NNLS), 2019.
[6]Yuefang Gao, Zexi Hu, Henry W. F. Yeung, Yuk Ying Chung, Xuhong Tian, and Liang Lin, “Unifying Temporal Context and Multi-feature with Update-Pacing Framework for Visual Tracking”, IEEE Transactions on Circuits and Systems for Video Technology (T-CSVT), 2019.
[7]Keze Wang, Liang Lin*, Chenhan Jiang, Chen Qian, and Pengxu Wei, “3D Human Pose Machines with Self-supervised Learning”, IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI), DOI: 10.1109/TPAMI.2019.2892452, 2019.
[8]Lingbo Liu, Guanbin Li, Yuan Xie, Yizhou Yu, Qing Wang, and Liang Lin, “Facial Landmark Machines: A Backbone-Branches Architecture with Progressive Representation Learning”, IEEE Transactions on Multimedia (T-MM) , 2019.
[9]Ruimao Zhang, Wei Yang, Zhanglin Peng, Pengxu Wei, Xiaogang Wang, and Liang Lin, “Progressively Diffused Networks for Semantic Visual Parsing”, Pattern Recognition, 90(6): 78-86, 2019.
[10]Chenglong Li, Liang Lin*, Wangmeng Zuo, Jin Tang, and Ming-Hsuan Yang, “Visual Tracking via Dynamic Graph Learning”, IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI), DOI: 10.1109/TPAMI.2018.2864965, 2019.
Wavelet Integrated CNNs for Noise-Robust Image Classification
有效提升图像分类噪声鲁棒性的小波卷积网络
论文作者：李秋富，沈琳琳，郭胜，赖志辉
作者单位：深圳大学，深圳码隆科技有限公司
下载地址：
卷积神经网络（CNN）易受噪声干扰，小的图像噪声可能造成网络输出剧烈变化。为抑制噪声对图像分类的影响，报告提出了一种有效提升图像分类噪声鲁棒性的小波卷积网络。
首先，构建适用于多种小波的通用离散小波变换和离散小波逆变换层，然后基于小波变换层设计用于图像分类的小波卷积网络（WaveCNet）。在小波卷积网络中，图像数据在下采样时被离散小波变换层分解为低频和高频分量，低频分量存储包括图像目标基本结构在内的主要信息，小波卷积网络从中提取图像分类特征，高频分量由于包含大量噪声，在网络推理时被丢弃，以提升网络噪声鲁棒性。
在数据集ImageNet和ImageNet-C上的实验结果表明，小波卷积网络比一般卷积神经网络具有更高的分类精度和更好的噪声鲁棒性。
作者简介
李秋富，深圳大学计算机与软件学院，博士后，主要研究方向为计算机视觉，包括基于深度学习和小波分析的图像识别、图像分割，以及医学图像分析。
E-mail: liqiufu@szu.edu.cn
沈琳琳，深圳大学计算机与软件学院，教授，计算机视觉研究所所长。主要研究方向为深度学习、人脸识别分析、人工智能医学图像分析。
E-mail: llshen@szu.edu.cn
郭胜，中国科学院深圳先进技术研究院博士，现为深圳码隆科技有限公司高级研究员。主要研究方向为场景识别、物体检测。
E-mail: sheng@malong.com
赖志辉，深圳大学计算机与软件学院，教授，主要研究方向包括图像处理、模式识别与智能系统、大数据分析、深度学习、哈希学习。
E-mail: lai_zhi_hui@163.com
团队相关成果
（向上滑动查看更多）
[1] Qiufu Li, Linlin Shen*, Sheng Guo and Zhihui Lai. Wavelet Integrated CNNs for Noise-Robust Image Classification, CVPR 2020, Seattle, USA.
[2]Zhiwei Ke, Zhiwei Wen, Weicheng Xie, Yi Wang and Linlin Shen. Group-Wise Dynamic Dropout Based on Latent Semantic Variations, AAAI 2020, New York, USA.
[3] Weicheng Xie, Linlin Shen*. Adaptive Weighting of Hand-crafted Feature Losses for Facial Expression Recognition. IEEE Transactions on Cybernetics, in press, 2020.
[4]Yang Zhang, Menglin Cui, Linlin Shen* and Zhigang Zeng. Memristive Quantized Neural Networks A Novel Approach to Accelerate Deep Learning On-Chip. IEEE Transactions on Cybernetics, in press, 2019.
[5]Sen Jia, Linlin Shen*, Jiasong Zhu, Qingquan Li. A 3-D Gabor Phase-Based Coding and Matching Framework for Hyperspectral Imagery Classification. IEEE Transactions on Cybernetics. Vol.48(4), pp.1176-1188, Apr. 2018.
[6]Qiufu Li, Linlin Shen*. 3D Neuron Reconstruction in Tangled Neuronal Image with Deep Networks.IEEE Transactions on Medical Imaging,Vol.39 (2), pp. 425-435, Feb. 2020.
[7]Siyang Song, Shashank Jaiswal,Linlin Shen* and Michel Valstar. Spectral Representation of Behaviour Primitives for Depression Analysis. IEEE Transactions on Affective Computing. in press, 2020.
[8]Xuechen Li, Linlin Shen*, Meixiao Shen*, Fan Tan and Conor, S. Qiu. Deep Learning Based Early Stage Diabetic Retinopathy Detection Using Optical Coherence Tomography, Neurocomputing, Vol. (369), pp.134-144, Dec. 2019.
汪荣贵——机器学习基本知识体系与入门方法
知网在线教学服务平台：
http://k.cnki.net/CInfo/Index/5063
陈强——从Cell封面论文谈AI研究中的实验数据问题
知网在线教学服务平台：
石争浩——从先验到深度：低见度图像增强
知网在线教学服务平台：
看完微推意犹未尽？快来加入图图社区，备注“CVPR”，获取三个报告PPT文件吧
专家报告 | 基于图深度学习的网络时空数据建模与预测
专家推荐 | 社交媒体多模态表示学习
专家报告 | 优化抠图：背景去无踪，前景更出众
前沿进展 | 多媒体信号处理的数学理论
中国卫星遥感回首与展望
单目深度估计方法：现状与前瞻
目标跟踪40年，什么才是未来？
算法集锦 | 深度学习如何辅助医疗诊断？
10篇CV综述速览计算机视觉新进展
算法集锦|深度学习在遥感图像处理中的六大应用
专家推荐|高维数据表示：由稀疏先验到深度模型
专家报告 | AI与影像“术”——医学影像在新冠肺炎中的应用
专家推荐|真假难辨还是虚幻迷离，参与介质图形绘制让人惊叹！
学者推荐 | 深度学习与高光谱图像分类【内含PPT 福利】
专家报告|深度学习+图像多模态融合
专家报告 | 类脑智能与类脑计算
实战例题！200+PPT带你看懂监督学习
118页PPT！机器学习模型参数与优化那些事儿~
专家开讲 | 机器学习究竟是什么？
Hinton，吴恩达，李飞飞 ！大师深度学习课程集锦
羡慕别人中了顶会？做到这些你也可以！
如何阅读一篇文献？
共享 | SAR图像船舶切片数据集
资源分享| 不知道如何获取最新的算法资讯？快来这里看一看
资源分享|热门IT资讯号推荐
《中国图象图形学报》2020年第4期目次
《中国图象图形学报》2020年第3期目次
《中国图象图形学报》2020年第2期目次
《中国图象图形学报》2020年第1期目次
本文系《中国图象图形学报》独家稿件
内容仅供学习交流
版权属于原作者
欢迎大家关注转发！
编辑：秀 秀
指导：梧桐君
审校：夏薇薇
总编辑：肖 亮
声 明
欢迎转发本号原创内容，任何形式的媒体或机构未经授权，不得转载和摘编。授权请在后台留言“机构名称+文章标题+转载/转发”联系本号。转载需标注原作者和信息来源为《中国图象图形学报》。本号转载信息旨在传播交流，内容为作者观点，不代表本号立场。未经允许，请勿二次转载。如涉及文字、图片等内容、版权和其他问题，请于文章发出20日内联系本号，我们将第一时间处理。《中国图象图形学报》拥有最终解释权。
相关内容
微信扫码咨询专知VIP会员