CVPR 2016为啥这么受瞩目？｜ AI科技评论周刊

过去一周，CVPR 2016向我们展示了其庞大的演讲嘉宾，多样的大会主题，丰富的圆桌会议以及全球化的CV赞助商，不管是从演讲嘉宾上还是赞助商上，我们都看到了全球科技企业对于这次大会的重视程度，而大会上频频涌现的亮点，更是让参加这次大会的人觉得不枉此行。

下面我们先从 黑科技 这个亮点说起。

黑科技涌现 CVPR 2016这是要火的节奏

CVPR2016上，麻省理工学院计算机科学和人工智能实验室(CSAIL)将发布一份关于可预测人类行为的算法的研究报告。通过给此算法导入近600小时的电视秀(其中包括《生活大爆炸》《绝望主妇》《办公室》等剧集)，来测试机器是否能准确预测人类在各场景互动中的行为。此次实验数据是人工智能“预测想象力”技术的显著进步。

Mobileye CTO CVPR演讲：机器学习和无人驾驶将带来哪些冲击？

真正的飞跃大概会在2021年到来，按我们的分级方法，那时候的自动驾驶等级大概会在Lv.4到Lv.5之间了，能实现真正的全自动驾驶。那时预计社会将会慢慢接受自动驾驶系统的存在，可能在一段时间内，还是会有司机坐在驾驶座上以防万一算法出错。而这时的自动驾驶系统可能主要在公共交通或出租车等方式、如Uber等之间流行，私家车司机还是会倾向于手动驾车出行。

除了李飞飞 CVPR上还来了哪些著名的学术大牛？

Jitendra Malik为加州伯克利大学分校的教授，1985年毕业于美国斯坦福大学，现任加州大学伯克利分校电子工程与计算机科学系的资深教授，曾于2004年~2006年任该系系主任。Jitendra Malik教授主要研究方向为计算机视觉和生理认知建模，涉及图像分割、视觉组织、纹理分析、立体视觉、物体识别、智能交通系统等广泛内容，在这些领域发表了超过150篇文章，其中有五篇文章引用率超过1000。Jitendra Malik教授已培养了26位博士生，其中不乏国际研究界和工业界的知名教授与专家。

深度学习有很多优势，但在视觉识别领域它能做的工作还不算太多，此次Piotr Dollar和Jitendra Malik在论坛上，主要讨论，目前深度学习用于视觉识别领域优点和缺点，以及如何通过反馈和记忆网络，能让前馈视觉架构有所改善。

CVPR引起巨大争议的新技术Face2Face：当科技先进到让人害怕

面部追踪技术并不是什么新鲜的技术，但是今年3月公布的Face2Face无疑彻底改变了它的意义。这项技术可以非常逼真的将一个人的面部表情、说话时面部肌肉的变化完美的实时复制到另一个视频中的角色上。它由德国纽伦堡大学的科学家Justus Thies领衔完成，技术上来说，这不仅是第一个能实时进行面部转换的模型（以前的都有或多或少的延迟）。而且准确率和真实度比以前那些模型高得多。最终效果看起来大概就是下面这个样子：

……

获奖无数的深度残差学习，清华学霸的又一次No.1 | CVPR2016 最佳论文

摘要

在现有基础下，想要进一步训练更深层次的 神经网络 是非常困难的。我们提出了一种减轻网络训练负担的残差学习框架，这种网络比以前使用过的网络本质上层次更深。我们明确地将这层作为输入层相关的学习残差函数，而不是学习未知的函数。同时，我们提供了全面实验数据，这些数据证明残差网络更容易优化，并且可以从深度增加中大大提高精度。我们在ImageNet数据集用152 层--比VGG网络深8倍的深度来评估残差网络，但它仍具有较低的复杂度。在ImageNet测试集中，这些残差网络整体达到了3.57%的误差。该结果在2015年大规模视觉识别挑战赛分类任务中赢得了第一。此外，我们还用了100到1000层深度分析了的CIFAR-10。

对于大部分视觉识别任务，深度表示是非常重要的。仅由于极深的表示，在COCO对象检查数据时，我们就得到了近28%相关的改进。深度剩余网络是我们提交给ILSVRC和COCO2015竞赛的基础，而且在ImageNet检测任务，ImageNet定位，COCO检测和COCO分割等领域赢我们获得了第一。

小结：

相比其它的学术会议，CVPR的黑科技更多，获奖论文更受关注，领域大牛更加受瞩目，参加的赞助商阵容更庞大，相信是因为计算机视觉和模式识别这个领域本身今年的大热导致的，AI科技评论君也希望这个势头延续到下一个顶级国际 人工智能联合大会（IJCAI） 学术会议中。