昨日，ICCV 2019官方推特發(fā)布消息，公布了今年大會投稿情況：共計接收投稿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)，中科院和清華大學超越微軟、谷歌等，投稿數(shù)量遙遙領先，分別為237篇和175篇。

厲害了！ICCV 2019投稿數(shù)量翻倍！

ICCV (國際計算機視覺大會)，是計算機視覺方向的三大頂級會議之一，在世界范圍內(nèi)每兩年召開一次。ICCV論文錄用率非常低，是三大會議中公認級別最高的。

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4328篇，創(chuàng)下了其有史以來的記錄！更值得注意的是，上一屆ICCV的投稿數(shù)量僅是2143篇，今年翻倍！

ICCV 2019中科院、清華投稿數(shù)量遙遙領先

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

新智元對其做了一下簡單的整理：

中國科學院：237篇；

清華大學：175篇；

微軟：103篇；

谷歌：100篇；

蘇黎世聯(lián)邦理工學院：99篇；

華為：91篇；

Facebook：85篇；

UC伯克利：82篇；

牛津大學：70篇；

斯坦福：58篇；

MIT：53篇；

Adobe：53篇；

首爾大學：49篇；

韓國先進科技學院：48篇；

百度：47篇；

卡內(nèi)基梅隆大學：45篇；

伊利諾伊大學厄巴納-香檳分校：39篇；

法國國立計算機及自動化研究院：36篇；

康奈爾大學：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。

中科院和清華大學遙遙領先微軟和谷歌，投稿數(shù)量分別高達237篇和175篇。國外高校投稿數(shù)量較高的是蘇黎世聯(lián)邦理工學院和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)量來看，中國高校和企業(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，新智元在此也預祝中國高校和企業(yè)會有一個好的成績！

ICCV 2017大會回顧：崛起的中國

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

根據(jù)投稿作者的郵箱地址，有844篇論文（將近40%）來自中國，美國以934篇位居第一。看投稿數(shù)量，中美兩國也遙遙領先。

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

新智元粗略統(tǒng)計，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，我們也在上屆大會主席團隊中見到了熟悉的名字，上屆ICCV的大會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，另一位是預定出任CVPR 2019 程序主席的上海科技大學&特拉華大學教授虞晶怡。

ICCV 2017 熱詞：新智元對ICCV 2017錄用論文標題做了詞頻統(tǒng)計，“深度學習”、GAN、識別、檢測依然是熱詞。

當然，在上一屆ICCV中，最大的一個亮點無疑是何愷明包攬兩項最佳論文。

ICCV 2017的最佳論文獎（Marr prize）頒發(fā)給了Facebook AI實驗室（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

論文標題非常簡潔，就是“Mask R-CNN”：

摘要

我們提出一個概念上簡單，靈活，通用的物體實例分割框架（object instance segmentation）。我們的方法能有效檢測圖像中的對象，同時為每個實例生成高質(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 上的擴展，即在用于邊界框識別的現(xiàn)有分支上添加一個并行的用于預測對象掩膜（object mask）的分支。Mask R-CNN 的訓練簡單，僅比 Faster R-CNN 多一點系統(tǒng)開銷，運行速度是 5 fps。此外，Mask R-CNN 很容易推廣到其他任務，例如可以用于在同一個框架中判斷人的姿勢。

我們在 COCO 競賽的3個任務上都得到最佳結果，包括實例分割，邊界框對象檢測，以及人物關鍵點檢測。沒有使用其他技巧，Mask R-CNN 在每個任務上都優(yōu)于現(xiàn)有的單一模型，包括優(yōu)于 COCO 2016 競賽的獲勝模型。我們希望這個簡單而有效的方法將成為一個可靠的基準，有助于未來的實例層面識別的研究。

圖1：用于實例分割的 Mask R-CNN 框架

Mask R-CNN 在概念上十分簡單：Faster R-CNN 對每個候選物體有兩個輸出，即一個類標簽和一個邊界框偏移值。作者在 Faster R-CNN 上添加了第三個分支，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，需要提取對象的更精細的空間布局。Mask R-CNN 的關鍵要素包括 pixel-to-pixel 對齊，這是 Fast/Faster R-CNN 主要缺失的一塊。

最佳學生論文也出自 FAIR 團隊之手，一作是 Tsung-Yi Lin。值得一提，何愷明也有參與，不愧為大神。

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

摘要

目前，最準確的目標檢測器（object detector）是基于經(jīng)由 R-CNN 推廣的 two-stage 方法，在這種方法中，分類器被應用到一組稀疏的候選對象位置。相比之下，應用于規(guī)則密集的可能對象位置采樣時，one-stage detector 有潛力更快、更簡單，但到目前為止，one-stage detector 的準確度落后于 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)，在訓練 dense detector 的過程中遇到的極端 foreground-background 類別失衡是造成這種情況的最主要原因。我們提出通過改變標準交叉熵損失來解決這種類別失衡（class imbalance）問題，從而降低分配給分類清晰的樣本的損失的權重。我們提出一種新的損失函數(shù)：Focal Loss，將訓練集中在一組稀疏的困難樣本（hard example），從而避免大量簡單負樣本在訓練的過程中淹沒檢測器。為了評估該損失的有效性，我們設計并訓練了一個簡單的密集目標檢測器 RetinaNet。我們的研究結果顯示，在使用 Focal Loss 的訓練時，RetinaNet 能夠達到 one-stage detector 的檢測速度，同時在準確度上超過了當前所有 state-of-the-art 的 two-stage detector。

希望在今年的ICCV中，中國高校和企業(yè)依舊能夠大放異彩！