ImageNet一作、李飞飞高徒邓嘉获最佳论文奖，ECCV 2020奖项全公布

昨日，计算机视觉顶会 ECCV 2020 公布了最佳论文等奖项，ImageNet 论文一作邓嘉获最佳论文奖。

机器之心报道，编辑：魔王、小舟、杜伟。

计算机视觉三大国际顶级会议之一的 ECCV 2020 已经召开。受疫情影响，原定于 8 月下旬在英国格拉斯哥举行的 ECCV 2020 会议转为线上举行，为期 4 天。

今年 ECCV 共收到有效投稿 5025 篇，是 ECCV 2018 论文投稿数量的二倍还要多，接收论文 1361 篇，接收率为 27%，相比上届会议下降了约 5%。在接收论文中，oral 论文数为 104 篇，占有效投稿总数的 2%，spotlight 论文数目为 161 篇，占比约 3%。

昨日，大会公布了最佳论文等奖项，最佳论文奖由普林斯顿大学 Zachary Teed 和 Jia Deng 摘得。

最佳论文奖

论文地址：https://arxiv.org/abs/2003.12039
GitHub 地址：https://github.com/princeton-vl/RAFT

这项研究提出了一种用于光流的新型深度网络架构——循环全对场变换（Recurrent All-Pairs Field Transforms，RAFT）。RAFT 提取每个像素（per-pixel）的特征，为所有像素对构建多尺度 4D 相关体（correlation volume），并通过循环单元迭代地更新流场，循环单元基于相关体执行查找。

RAFT 在多个数据集上实现了 SOTA 性能：在 KITTI 数据集上，RAFT 的 F1-all 误差是 5.10%，相比先前的最佳结果（6.10%）减少了 16%；在 Sintel 数据集（final pass）上，RAFT 只有 2.855 像素的端点误差（end-point-error），相比先前的最佳结果（4.098 像素）减少了 30%。另外，RAFT 具有强大的跨数据集泛化能力，并且在推理时间、训练速度和参数计数方面具有很高的效率。

RAFT 架构设计。

4.8M 参数完整版模型和 1.0M 参数小模型的网络架构细节。

作者简介

最佳论文的第一作者 Zachary Teed 现在普林斯顿读博，导师为邓嘉。他的研究兴趣是：3D 视频重建，包括运动恢复结构（Structure from Motion，SfM）、场景流（Scene Flow）和 SLAM。

论文二作是普林斯顿大学计算机科学系助理教授邓嘉，主要研究方向是计算机视觉和机器学习，目前的研究兴趣是：3D 视觉、目标识别、动作识别和自动定理证明。曾获得 Sloan Research Fellowship、PAMI Mark Everingham Prize、 Yahoo ACE Award、Google Faculty Research Award、ICCV Marr Prize 等奖项。

值得一提的是，这并不是邓嘉第一次获得 ECCV 的最佳论文奖，2014 年他凭借论文《Large-Scale Object Classification Using Label Relation Graphs》获得当年的 ECCV 最佳论文奖，并且是该研究的第一作者。

除此之外，他还是 ImageNet 论文的第一作者。ImageNet 数据集是目前机器学习领域最常用的数据集之一，它催生出了极大促进人工智能发展的 ImageNet 比赛。作为 ImageNet 的一作，邓嘉为其倾注了许多心血。

2019 年，这篇论文获得了 CVPR PAMI Longuet-Higgins（经典论文）奖。邓嘉在接受机器之心采访时表示：「这个项目很说明一件事情，当时做 ImageNet 不是最主流的工作，但是我们所有做此项目的人都相信它会有很大的影响，所以我们就花了很大力气做这个事情。确实，它给我自己的一个启示是，你不一定要做最流行的事情，但要做自己相信会有影响的事情。」目前，这篇发表于 2009 年的论文被引用量已超过两万。

最佳论文荣誉提名奖

大会还公布了最佳论文荣誉提名奖，共有两篇论文获得此奖项。

论文 1：Towards Streaming Image Understanding

论文地址：https://arxiv.org/abs/2005.10420
论文作者：Mengtian Li、Yu-Xiong Wang、Deva Ramanan（卡内基梅隆大学）

具身感知（embodied perception）指自动智能体感知环境以便做出反应的能力。智能体的响应度很大程度上取决于处理流程的延迟。之前的工作主要涉及延迟和准确率之间的算法权衡，但缺少一种明确的指标来对比不同方法的帕累托最优延迟 - 准确率曲线。这篇论文指出标准离线评估和实时应用之间的差异：算法处理完特定图像帧时，周围环境已经发生改变。该研究提出将延迟和准确率协调地集成到一个度量指标中，用于实时在线感知，这就是「流准确率」（streaming accuracy）。

此外，该研究基于此度量指标提出了一个元基准，它可以系统性地将任意图像理解任务转换成流图像理解任务。研究人员主要关注城市视频流中的目标检测和实例分割任务，并创建了具备高质量、时序稠密标注的新数据集。

该研究提出的解决方案及其实证分析结果显示：

在帕累托最优延迟 - 准确率曲线上，存在能够最大化流准确率的最优点；
异步跟踪和未来预测很自然地成为流图像理解的内部表征；
动态调度可用于克服时间混叠（temporal aliasing），得到一个吊诡的结果：什么都不做可能使延迟最小化。

论文 2：NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

论文地址：https://arxiv.org/abs/2003.08934
论文作者：Ben Mildenhall（UC 伯克利）、Pratul P. Srinivasan（UC 伯克利）、Matthew Tancik（UC 伯克利）、Jonathan T. Barron（谷歌）、Ravi Ramamoorthi（加州大学圣地亚哥分校）、Ren Ng（UC 伯克利）

该研究提出了一种在合成复杂场景新视图任务中实现 SOTA 结果的新方法，该方法通过使用稀疏的输入视图集来优化基础的连续体场景函数。该算法使用全连接深度网络表示场景，其输入为单个连续 5D 坐标（空间位置 (x, y, z) 和视角方向 (θ, φ)），输出为体积密度和在此空间位置上的视图相关 emitted radiance。该研究通过查询沿着摄像头光线的 5D 坐标来合成视图，并使用经典的体渲染技术将输出颜色和密度投影到图像中。

由于体渲染本身是可微的，因此优化表征所需的唯一输入是一组具备已知摄像机位姿的图像。研究者介绍了如何高效优化神经辐射场（neural radiance field），渲染出逼真的具备复杂几何形状和外观的场景新视图，而且其在神经渲染和视图合成方面的效果优于之前的工作。

经典论文：Koenderink 奖

Koenderink 奖旨在表彰计算机视觉领域的基础性贡献研究，获奖论文均为发表时间超过十年并经受住时间检验的研究。

本届 ECCV 会议 Koenderink 奖颁发给了以下两篇论文：

论文 1：Improving the Fisher Kernel for Large-Scale Image Classification

论文地址：https://lear.inrialpes.fr/pubs/2010/PSM10/PSM10_0766.pdf
论文作者：Florent Perronnin、Jorge S´anchez、Thomas Mensink（施乐欧洲研究中心）

Fisher Kernel（FK）是一个结合了生成和判别方法优点的通用框架。在图像分类领域，FK 扩展了流行的视觉词袋（BOV）模型。然而，在实践中，这种丰富的表征尚未显现出相对 BOV 的优越性。

在论文的第一部分，研究者对原始框架进行了多项修改，使得 FK 准确率得到提升。在 PASCAL VOC 2007 数据集上的平均精度（AP）从 47.9% 提升到了 58.3%。改进后的框架在 CalTech 256 数据集上也展现出了 SOTA 准确率。其主要优势在于这些结果仅使用 SIFT 描述子和线性分类器获得。使用该表征后，FK 框架可用于探索更大规模的图像分类任务。

在论文的第二部分应用部分，研究者对比了在两个大规模标注图像数据集上的分类器训练情况：ImageNet 和 Flickr groups 数据集。在涉及数十万训练图像的评估中，研究者发现基于 Flickr groups 学得的分类器性能非常好，而且它们可以对在更精细标注数据集上学得的分类器进行补充。

论文 2：BRIEF: Binary Robust Independent Elementary Features

论文地址：https://www.cs.ubc.ca/~lowe/525/papers/calonder_eccv10.pdf
论文作者：Michael Calonder、Vincent Lepetit、Christoph Strecha、Pascal Fua（洛桑联邦理工学院）

这项研究提出将二进制字符串用作高效的特征点描述符，即 BRIEF。研究证明，即使在 bits 相对较少的情况下，BRIEF 依然呈现出高判别性，并且可以通过简单的强度差测试来计算。

此外，对描述符相似度的评估没有采用常见的 L_2 范数，而是使用了汉明距离（Hamming distance），后者计算起来非常高效。

因此，BRIEF 的构建和匹配速度非常快。该研究在标准基准上将 BRIEF 与 SURF 和 U-SURF 进行比较，结果表明 BRIEF 能够实现相当或更优的识别性能，同时运行时间只需其他二者的一部分。

PAMI Everingham 奖

该奖项旨在纪念 Mark Everingham，并鼓励其他人向他学习，推进整个计算机视觉社区进一步发展。PAMI Everingham 奖授予对计算机视觉社区做出无私贡献的研究者或研究团队，由 IEEE 计算机协会模式分析与机器智能（PAMI）技术委员会颁发。

今年的 PAMI Everingham 奖颁给了微软高级科学家 Johannes Schönberger，以及 MIT 教授 Antonio Torralba 及创建多个数据集的合作者。

Johannes Schönberger 现为微软混合现实与人工智能苏黎世实验室高级科学家，开发了 COLMAP SFM 和 MVS 软件库。

Johannes Schönberger 的获奖理由是：他的工作为 3D 图像重建提供了一个开源的端到端 pipeline 以及相关支持、开发和文档。目前这已成为运动恢复结构（SFM）和多视角立体视觉（Multi-view Stereo，MVS）的参考软件。

Antonio Torralba 现为 MIT 电气工程与计算机科学教授。在十多年的时间里，Antonio Torralba 与其他合作者定期发布新数据集以及创建这些数据集的方法。他们创建的 LabelMe、Tiny images、SUN/SUN-3D 和 MIT-Places 等数据集在计算机视觉领域有着极大的影响力。

Demo 奖

此外，大会公布了 Demo 奖。获奖论文是《Inter-Homines: Distance-Based Risk Estimation for Human Safety》。