报名倒计时 | 12.6晚8点! 微软亚洲研究院·视觉计算组精彩上线！

2020 年 12 月 4 日 将门创投

12月第一个周日的正确打开方式是什么？当然是好好学习啦！

本周日，「NeurIPS 2020群星闪耀云际会·机构专场」系列活动推出微软亚洲研究院超值“双享汇”！ 微软亚洲研究院·视觉计算组 将于当晚上线，接力MSRA深度和强化学习组，好戏连连、精彩不断！

北京时间12月6日(周日)20:00，微软亚洲研究院研究员—胡瀚将携手团队小伙伴MSRA研究员—曹越，MSRA 研究工程师—魏芳芸，MSRA实习生、中国科学技术大学在读博士生—董潇逸 ，及MSRA实习生、北京大学硕士研究生— 陈亦弘 与大家在云端相见，分享他们在NeurIPS 2020中的精彩工作。

点击查看往期预告：

第①弹：MIT HAN Lab专场

第②弹：北大相机智能实验室专场

第③弹：微软亚洲研究院·深度和强化学习组

第⑤弹：田渊栋团队专场

第⑥弹：佐治亚理工机器学习团队专场

第⑦弹：上海交大THINK LAB专场

点击查看精彩预告视频

👇

一张图告诉你

活动信息

▼

福利预告：入群可参与会议讨论，

获取直播地址、回放视频、课件，

还有不定期红包发放哦~

长按下图二维码即可报名

机构介绍

▼

微软亚洲研究院·视觉计算组由一个精英研究团队组成，他们的专业横跨计算机视觉的研究课题，从数学理论到实际应用，从物理系统到软件开发，从低级图像处理到高级图像理解。

PS：招收长期的CV方向实习生，请感兴趣的同学发送简历至感兴趣研究员邮箱：（见VC组主页）

研究员@microsoft.com

嘉宾介绍

▼

胡瀚

# 微软亚洲研究院研究员

胡瀚，现任微软亚洲研究院视觉计算组首席研究员，2008年获得清华大学理学学士学位，2014年获得清华大学博士学位 (师从周杰教授)，博士论文获2016年中国人工智能学会优秀博士论文奖。2012年10月至2013年4月，在美国宾夕法尼亚大学访问 (师从史建波教授)。2016年12月加入MSRA之前，在百度深度学习研究所 (IDL) 工作。

个人主页：

https://ancientmooner.github.io/

曹越

# 微软亚洲研究院研究员

曹越，现任微软亚洲研究院视觉计算组研究员，分别于2014年和2019年在清华大学软件学院获得学士和博士学位。2017年获“微软学者”奖学金，2018年获清华大学特等奖学金。

个人主页：

http://yue-cao.me/

魏芳芸

# 微软亚洲研究院

研究工程师

魏芳芸，2017年于北京大学信息科学技术学院毕业并获得硕士学位。现就职于微软亚洲研究院IEG，从事计算机视觉的相关研究和研发。

董潇逸

# 微软亚洲研究院实习生、

中国科学技术大学在读博士生

董潇逸，中国科学技术大学网络空间安全学院博士三年级在读，目前在微软亚洲研究院视觉计算组实习，指导老师是陈栋博士。研究方向为对抗样本攻防和DeepFake检测。相关工作发表在ICCV,CVPR, NeurIPS会议上。

个人主页：

https://github.com/LightDXY

陈亦弘

# 微软亚洲研究院实习生、

北京大学硕士研究生

陈亦弘，北京大学前沿交叉学科研究院硕士三年级在读，导师为王立威教授。目前在微软亚洲研究院视觉计算组实习，研究方向为计算机视觉中的物体检测、实例分割，包括其在视频领域上的一些拓展。相关工作发表在CVPR, NeurIPS会议上。

个人主页：

https://scalsol.github.io/

NeurIPS 2020工作抢先看

▼

①

PIC: 基于参数化实例分类的无监督视觉表征学习

主讲人：曹越

本文提出了一种基于参数化实例分类 (PIC) 的无监督视觉表征学习方法。和目前最常用的非参数化对比学习方法不同，PIC 采用了类似于有监督图片分类的框架，将每个实例或图片看作一个独立的类别进行实例分类从而进行无监督学习。与 SimCLR 或 MoCo 这类方法相比，PIC 不需要处理潜在的信息泄漏问题，因此结构简单直观。研究者在实验中证明了 PIC 可以在 ImageNet 数据集中取得与这些非参数化对比学习方法相匹配的性能。

论文链接：

https://arxiv.org/pdf/2006.14618.pdf

②

RelationNet++：

利用Transformer弥合通用物体检测中的不同物体表示

主讲人：魏芳芸

在通用物体检测中，检测算法通常利用一些先验信息来表示物体，比如 Faster R-CNN 使用矩形框，FCOS 使用中心点，RepPoint 和 PSN 使用点集，CornerNet 使用角点。每一种表示形式都有其优缺点，我们能否使用一个模块来建立这些不同的物体表示形式，进而增强检测器性能呢？

在本文中，我们提出了 BVR (Briding Visual Representations) 模块达到此目的， BVR通过 Transformer Decoder 机制来构建不同物体表示形式。并且，BVR 模块可以方便地插入到主流的检测器中，如 Faster R-CNN、RetinaNet、FCOS 以及 ATSS，并且均可带来1.5~3.0AP的性能提升。同时，我们的最终模型 RelationNet++ 刷新了MS COCO 数据集，在测试集上达到了 52.7AP 的性能。同时我们也提出了 Key Sampling 以及 Shared Location Embedding 技术来加速模型。

论文链接：

https://papers.nips.cc/paper/2020/file/9d684c589d67031a627ad33d59db65e5-Paper.pdf

代码链接：

https://github.com/microsoft/RelationNet2

③

兼顾视觉失真的稀疏对抗攻击算法