（3）在获得了来自于语义关系图或者空间关系图上蕴含有物体间关系的区域级别特征后，我们将这一组编码后的物体区域级别特征输入基于长短时

该系统在图像描述基准数据集coco上验证了物体间联系对图像描述的促进作

《动作检测的循环定位和识别网络》（recurrenttubeletpro

视频动作检测任务要求识别出视频中人物的动作并确定其在视频中的时空位置

导语：商汤科技及联合实验室共有37篇论文入选，主要集中在以下领域：大

在商汤入选eccv2018论文《人脸识别的瓶颈在于数据集噪声（thedeviloffacerecognitionisinthenoise）》中，对于现有人脸数

（1）新的多任务混合级联架构（hybridcascade）。通过把不同子任务进行逐级混合，这种新架构有效地改善了整个检测过程

（2）通过特征导引产生稀疏锚点，而不是使用传统的规则分布的密集锚点。这种特征导引的方案使得锚点的投放更为精准，平均召回率提升

（3）采用一种新型的fishnet网络结构，它有效地保留和修正多个尺度的信息，能更有效地用于图像级，区域级，以及像素级预测任

在test-dev上，商汤团队对上述框架进行了全面测试，其中单模型和多模

此外，在eccv期间，香港中文大学-商汤联合实验室还开源了检测库mm

拉vr游戏vr电影vr视频vr眼镜vr购物ar直播扫地机器人医疗机器人工业机器人类人机器人聊天机器人微信机器人微信小程序移动支付支付宝p2p区块链比特币风

 比赛12月近期活跃百度最新比赛报道比赛nips2018人工智能假肢挑战赛结束，百度firework团队夺得第一在上周结束的2018人工智能假肢挑战赛中，来自中国百度的技术团队firework一举击败全球400多支46的得分夺得冠军。汪思颖201

nips2018人工智能假肢挑战赛结束，百度firework团队夺得第一本文作者：汪思颖2018-11-1318:53专题：nips20170条评论-->导语：在上周结束的2018人工智能假肢挑战赛中

在上周结束的2018人工智能假肢挑战赛（aiforprostheticschallenge）中，来自百度nlp团队的firework一举击败全球400多支46的得分夺得冠军，领先第二名高达30多分。人工智能假肢挑战赛是由斯

自今年7月份启动以来，来自全球400多技术团队都参与其中。其中既有上届冠军、由“rnn之父”juergenschmidhuber创立的nnaisense，也有阿里巴巴、yandex等巨头。

今年的比赛中，赛会组织者提供了一个人体骨骼-高仿模型，该模型是斯坦福国家

在去年的第一次挑战赛上，比赛规则围绕谁能让模型肌体行走速度最快。而今

相较而下，今年的比赛难度再次增加。比如对模型肌体有效信息的判断上，由于实

在此次比赛中，百度首先通过上千台机器的cpu集群来加速模拟环境，利用rp

其次，利用targetdrivendeepdeterministicpo

第三，在算法层面，通过multi-headbootstrapping，

正是这些关键技术的综合应用，让百度能以9980的高分一举夺冠。据悉，早在

比赛更多详细信息，请参见：

/challenges/nips-2018-ai-for-p

雷锋网版权文章，未经授权禁止转载。详情见转载须知。

0人收藏分享：-->文章点评：（您需要登录后才能评论没有账号？）-->表情同步到新浪微博提交精彩

搜狗图像技术团队夺得megaface人脸识别赛道第一本文作者：汪思颖2018-11-011

参赛榜单显示，megaface已吸引了腾讯、阿里、谷歌、微软等众多技术团队

依托搜狗图片搜索的海量图片数据资源，积累了百万级别的高质量人脸图片数据，为效果提供了数

自研的sface人脸识别算法，基于resnet101采用深层浅层多尺度特

依托搜狗强大的计算平台，为效果提供计算能力保证。

比赛官网：edu/resultshtml

雷锋网版权文章，未经授权禁止转载。详情见转载须知。

1人收藏分享：-->文章点评：（您需要登录后才能评论没有账号？）-->表情同步到新浪微博提交精彩评论最新评论条评论加载更多没有更多了-->汪思颖编辑

关注ai学术动态以及各类数据挖掘比赛，加好友请备注个人信息~谢谢。微信：

导语：从整体方案框架来看，可分为fastr-cnn和fasterr-c

googleaiopenimages-objectdetectiontr

大赛采用google今年5月份发布的openimagesv4数据集作为训练数据集

这项赛事有助于复杂模型的研究，同时对评估不同检测模型的性能有积极的促进作用。下图为openimagev4与mscoco和imagenet检测任务数据对比情况，

以下为百度视觉团队技术方案解读：

与传统的检测数据集合相比，该赛事除了数据规模大、更真实之外，还存在一系列的挑战。具体来说，主要集中在以下三个方面：

数据分布不均衡：最少的类别框选只有14个，而最多的类别框选超过了140w，

漏标框：很多图片存在只标注主体类别，其他小物体或者非目标物体没有标注出来。漏标注图片举例

尺度变化大：大部分物1以下，而有些框选却占了整个图片区域。如图所示，ope

网络为resnet-101的fastr-cnn，481，在测试阶段加入s

fasterr-cnn:采用这种框架可以达到略高于fastr

deformableconvolutionalnetworks：使用

deformablecascader-cnn:使用softnms以及mu

iros2018移动操作机器人竞赛冠军揭晓，华人带领的国际团队再创佳绩本文作者：汪思颖2018-10

上一篇： 因表现出色，微软CEO纳德拉涨薪

下一篇： 无