昨日，ICCV 2019官方推特發(fā)布消息，公布了今年大會(huì)投稿情況：共計(jì)接收投稿4328篇，與上屆相比，接收投稿數(shù)量翻倍。根據(jù)目前發(fā)布的數(shù)據(jù)，中科院和清華大學(xué)超越微軟、谷歌等，投稿數(shù)量遙遙領(lǐng)先，分別為237篇和175篇。

厲害了！ICCV 2019投稿數(shù)量翻倍！

ICCV (國(guó)際計(jì)算機(jī)視覺(jué)大會(huì))，是計(jì)算機(jī)視覺(jué)方向的三大頂級(jí)會(huì)議之一，在世界范圍內(nèi)每?jī)赡暾匍_(kāi)一次。ICCV論文錄用率非常低，是三大會(huì)議中公認(rèn)級(jí)別最高的。

昨日，ICCV 2019官方推特發(fā)布了今年接收到的論文投稿情況：

推文鏈接：

https://twitter.com/ICCV19/status/1109353497856802816

今年ICCV接收的投稿數(shù)量高達(dá)4328篇，創(chuàng)下了其有史以來(lái)的記錄！更值得注意的是，上一屆ICCV的投稿數(shù)量?jī)H是2143篇，今年翻倍！

ICCV 2019中科院、清華投稿數(shù)量遙遙領(lǐng)先

剛剛公布完投稿總數(shù)，ICCV 2019官方推特又公布了投稿單位分布情況：

推文鏈接：

https://twitter.com/ICCV19/status/1109735362757312512

新智元對(duì)其做了一下簡(jiǎn)單的整理：

中國(guó)科學(xué)院：237篇；

清華大學(xué)：175篇；

微軟：103篇；

谷歌：100篇；

蘇黎世聯(lián)邦理工學(xué)院：99篇；

華為：91篇；

Facebook：85篇；

UC伯克利：82篇；

牛津大學(xué)：70篇；

斯坦福：58篇；

MIT：53篇；

Adobe：53篇；

首爾大學(xué)：49篇；

韓國(guó)先進(jìn)科技學(xué)院：48篇；

百度：47篇；

卡內(nèi)基梅隆大學(xué)：45篇；

伊利諾伊大學(xué)厄巴納-香檳分校：39篇；

法國(guó)國(guó)立計(jì)算機(jī)及自動(dòng)化研究院：36篇；

康奈爾大學(xué)：32篇；

Amazon：31篇；

maxplanckpress：29篇；

EPFL_en：25篇；

Apple：1篇。

以上是由ICCV 2019官方推特截止目前發(fā)布的各投稿單位論文投稿數(shù)量的情況。

中科院和清華大學(xué)遙遙領(lǐng)先微軟和谷歌，投稿數(shù)量分別高達(dá)237篇和175篇。國(guó)外高校投稿數(shù)量較高的是蘇黎世聯(lián)邦理工學(xué)院和UC伯克利，分別為99篇和82篇。

從企業(yè)角度看，微軟和谷歌投稿數(shù)量較多，分別是103篇和100篇。國(guó)內(nèi)企業(yè)華為投稿最多，為91篇；其次是百度，47篇。

從目前公布的投稿數(shù)量來(lái)看，中國(guó)高校和企業(yè)在今年的ICCV可謂是大放異彩。但正如剛剛提到的，ICCV的論文錄用率非常低，新智元在此也預(yù)祝中國(guó)高校和企業(yè)會(huì)有一個(gè)好的成績(jī)！

ICCV 2017大會(huì)回顧：崛起的中國(guó)

在上一屆大會(huì)(即ICCV 2017)中的各種統(tǒng)計(jì)數(shù)字中，可能最引人矚目的，是中國(guó)崛起。

根據(jù)投稿作者的郵箱地址，有844篇論文（將近40%）來(lái)自中國(guó)，美國(guó)以934篇位居第一。看投稿數(shù)量，中美兩國(guó)也遙遙領(lǐng)先。

其中，投稿數(shù)量最多的機(jī)構(gòu)是清華大學(xué)，超越了CMU，超越了谷歌，超越了MIT。上海交通大學(xué)和北航分別位列第八、第九。

新智元粗略統(tǒng)計(jì)，2017年ICCV 接收論文中，有40%的第一作者都是華人。

雖然不盡是華人，我們也在上屆大會(huì)主席團(tuán)隊(duì)中見(jiàn)到了熟悉的名字，上屆ICCV的大會(huì)主席之一是微軟亞洲研究院首席研究員池內(nèi)克史。兩位Workshop Chair，一位是微軟的Sing Bing Kang，另一位是預(yù)定出任CVPR 2019 程序主席的上海科技大學(xué)&特拉華大學(xué)教授虞晶怡。

ICCV 2017 熱詞：新智元對(duì)ICCV 2017錄用論文標(biāo)題做了詞頻統(tǒng)計(jì)，“深度學(xué)習(xí)”、GAN、識(shí)別、檢測(cè)依然是熱詞。

當(dāng)然，在上一屆ICCV中，最大的一個(gè)亮點(diǎn)無(wú)疑是何愷明包攬兩項(xiàng)最佳論文。

ICCV 2017的最佳論文獎(jiǎng)（Marr prize）頒發(fā)給了Facebook AI實(shí)驗(yàn)室（FAIR）何愷明等人的論文《Mask R-CNN》。

ICCV 2017最佳論文頒發(fā)給了Mask R-CNN

論文標(biāo)題非常簡(jiǎn)潔，就是“Mask R-CNN”：

摘要

我們提出一個(gè)概念上簡(jiǎn)單，靈活，通用的物體實(shí)例分割框架（object instance segmentation）。我們的方法能有效檢測(cè)圖像中的對(duì)象，同時(shí)為每個(gè)實(shí)例生成高質(zhì)量的分割掩膜（segmentation mask）。我們將該方法稱為 Mask R-CNN，是在 Faster R-CNN 上的擴(kuò)展，即在用于邊界框識(shí)別的現(xiàn)有分支上添加一個(gè)并行的用于預(yù)測(cè)對(duì)象掩膜（object mask）的分支。Mask R-CNN 的訓(xùn)練簡(jiǎn)單，僅比 Faster R-CNN 多一點(diǎn)系統(tǒng)開(kāi)銷，運(yùn)行速度是 5 fps。此外，Mask R-CNN 很容易推廣到其他任務(wù)，例如可以用于在同一個(gè)框架中判斷人的姿勢(shì)。

我們?cè)?COCO 競(jìng)賽的3個(gè)任務(wù)上都得到最佳結(jié)果，包括實(shí)例分割，邊界框?qū)ο髾z測(cè)，以及人物關(guān)鍵點(diǎn)檢測(cè)。沒(méi)有使用其他技巧，Mask R-CNN 在每個(gè)任務(wù)上都優(yōu)于現(xiàn)有的單一模型，包括優(yōu)于 COCO 2016 競(jìng)賽的獲勝模型。我們希望這個(gè)簡(jiǎn)單而有效的方法將成為一個(gè)可靠的基準(zhǔn)，有助于未來(lái)的實(shí)例層面識(shí)別的研究。

圖1：用于實(shí)例分割的 Mask R-CNN 框架

Mask R-CNN 在概念上十分簡(jiǎn)單：Faster R-CNN 對(duì)每個(gè)候選物體有兩個(gè)輸出，即一個(gè)類標(biāo)簽和一個(gè)邊界框偏移值。作者在 Faster R-CNN 上添加了第三個(gè)分支，即輸出物體掩膜（object mask）。因此，Mask R-CNN 是一種自然而且直觀的想法。但添加的 mask 輸出與類輸出和邊界框輸出不同，需要提取對(duì)象的更精細(xì)的空間布局。Mask R-CNN 的關(guān)鍵要素包括 pixel-to-pixel 對(duì)齊，這是 Fast/Faster R-CNN 主要缺失的一塊。

最佳學(xué)生論文也出自 FAIR 團(tuán)隊(duì)之手，一作是 Tsung-Yi Lin。值得一提，何愷明也有參與，不愧為大神。

ICCV 2017最佳學(xué)生論文頒發(fā)給了FAIR的《密集物體檢測(cè)Focal Loss》

摘要

目前，最準(zhǔn)確的目標(biāo)檢測(cè)器（object detector）是基于經(jīng)由 R-CNN 推廣的 two-stage 方法，在這種方法中，分類器被應(yīng)用到一組稀疏的候選對(duì)象位置。相比之下，應(yīng)用于規(guī)則密集的可能對(duì)象位置采樣時(shí)，one-stage detector 有潛力更快、更簡(jiǎn)單，但到目前為止，one-stage detector 的準(zhǔn)確度落后于 two-stage detector。在本文中，我們探討了出現(xiàn)這種情況的原因。

我們發(fā)現(xiàn)，在訓(xùn)練 dense detector 的過(guò)程中遇到的極端 foreground-background 類別失衡是造成這種情況的最主要原因。我們提出通過(guò)改變標(biāo)準(zhǔn)交叉熵?fù)p失來(lái)解決這種類別失衡（class imbalance）問(wèn)題，從而降低分配給分類清晰的樣本的損失的權(quán)重。我們提出一種新的損失函數(shù)：Focal Loss，將訓(xùn)練集中在一組稀疏的困難樣本（hard example），從而避免大量簡(jiǎn)單負(fù)樣本在訓(xùn)練的過(guò)程中淹沒(méi)檢測(cè)器。為了評(píng)估該損失的有效性，我們?cè)O(shè)計(jì)并訓(xùn)練了一個(gè)簡(jiǎn)單的密集目標(biāo)檢測(cè)器 RetinaNet。我們的研究結(jié)果顯示，在使用 Focal Loss 的訓(xùn)練時(shí)，RetinaNet 能夠達(dá)到 one-stage detector 的檢測(cè)速度，同時(shí)在準(zhǔn)確度上超過(guò)了當(dāng)前所有 state-of-the-art 的 two-stage detector。

希望在今年的ICCV中，中國(guó)高校和企業(yè)依舊能夠大放異彩！