近日,世界三大頂級(jí)視覺(jué)會(huì)議之一ICCV(計(jì)算機(jī)視覺(jué)國(guó)際大會(huì)International Conference on Computer Vision)公開了最新錄用結(jié)果。天翼交通和清華大學(xué)等單位聯(lián)合署名的論文《Degradation-Resistant Unfolding Network for Heterogeneous Image Fusion》被接收。

異構(gòu)圖像融合(HIF,Heterogeneous Image Fusion)技術(shù)旨在通過(guò)合并不同傳感器捕獲的圖像互補(bǔ)信息來(lái)提高圖像質(zhì)量。例如夜晚,可見(jiàn)光圖像和紅外圖像融合可以大幅提升車輛、行人等目標(biāo)檢測(cè)精度。該論文引入了一種新穎的抗降解性 HIF模型,并推導(dǎo)了其優(yōu)化程序。然后,它將優(yōu)化展開過(guò)程合并到提出的DeRUN中進(jìn)行端到端訓(xùn)練。為了確保 DeRUN的魯棒性和效率,采用聯(lián)合約束策略和輕量級(jí)部分權(quán)重共享模塊。DeRUN在智能交通領(lǐng)域的RoadScene等多個(gè)任務(wù)上取得國(guó)際領(lǐng)先水平,并且計(jì)算和內(nèi)存成本更低。

一篇被接收的論文,是天翼交通聚力研發(fā)的一個(gè)縮影。這一年來(lái),天翼交通持續(xù)蓄力,多項(xiàng)研究成果受到國(guó)際頂級(jí)學(xué)術(shù)會(huì)議/期刊認(rèn)可,達(dá)到世界領(lǐng)先水平,并且在實(shí)際應(yīng)用中得到驗(yàn)證,加速車路云一體化自動(dòng)駕駛產(chǎn)業(yè)的關(guān)鍵技術(shù)迭代。

2 023 年 6 月, 全世界最大、也是最全面的信號(hào)處理及其應(yīng)用方面的頂級(jí)會(huì)議——ICASSP在希臘舉行(International Conference on Acoustics, Speech and Signal Processing即國(guó)際聲學(xué)、語(yǔ)音與信號(hào)處理會(huì)議)。天翼交通和清華大學(xué)聯(lián)合發(fā)表論文《A Two-branch network for video anomaly detection with spatio-temporal feature learning》。

視頻異常檢測(cè)非常具有挑戰(zhàn)性,因?yàn)榇蠖鄶?shù)異常都很罕見(jiàn)且不確定,例如城市道路上交通事故的概率很低。常見(jiàn)的弱監(jiān)督學(xué)習(xí)方法利用視頻訓(xùn)練的分類器級(jí)別標(biāo)簽來(lái)定位視頻中的異常片段。然而,異常片段往往既包含異常內(nèi)容,又包含大量不相關(guān)的背景行為,增加了檢測(cè)難度。本論文提出了一個(gè)兩分支網(wǎng)絡(luò)來(lái)分別獲取全局和每個(gè)局部對(duì)象的運(yùn)動(dòng)信息。這種局部和全局的感知突出了目標(biāo)的特征。本文進(jìn)一步提出了一種時(shí)空關(guān)系網(wǎng)絡(luò),基于注意力機(jī)制來(lái)建模不同對(duì)象的空間關(guān)系和不同片段之間的時(shí)間相關(guān)性。在近似車路協(xié)同固定觀測(cè)視角的UCF-Crime等公開數(shù)據(jù)集中,該方法取得了國(guó)際領(lǐng)先的性能。

2023年2月 ,天翼交通聯(lián)合哈佛大學(xué)等單位,在國(guó)際著名期刊《Neurocomputing》(最新影響因子6.0),發(fā)表了一篇論文《Inducing semantic hierarchy structure in empirical risk minimization with optimal transport measures》。交叉熵?fù)p失可以說(shuō)是深度學(xué)習(xí)最重要的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化目標(biāo)分類的判別模型,并在許多應(yīng)用,如自動(dòng)駕駛、智能交通等領(lǐng)域取得了顯著成功。盡管交叉熵?fù)p失被廣泛采用,但它本質(zhì)上忽略了類別之間的相關(guān)性,可能影響后續(xù)決策。例如,將車輛與動(dòng)物/行人混淆可以導(dǎo)致比不同的車輛(汽車、公共汽車或卡車)錯(cuò)分更嚴(yán)重的后續(xù)后果,特別是自動(dòng)駕駛的后續(xù)決策處理。本文能夠按照分層語(yǔ)義風(fēng)險(xiǎn)的先驗(yàn),在最佳運(yùn)輸測(cè)量中預(yù)先定義地面距離矩陣。使用語(yǔ)義樹結(jié)構(gòu)進(jìn)行大規(guī)模圖像分類,如Stanford Cars等數(shù)據(jù)集,以即插即用的方式展示了方法優(yōu)越的性能。

在車路協(xié)同目標(biāo)檢測(cè)和分類領(lǐng)域,天翼交通已經(jīng)成為業(yè)內(nèi)標(biāo)桿之一;而在產(chǎn)業(yè)應(yīng)用方面,天翼交通圍繞著具有中國(guó)特色的車路云一體化發(fā)展路徑的“蘇州實(shí)踐”也在國(guó)內(nèi)實(shí)現(xiàn)領(lǐng)跑。智能交通產(chǎn)業(yè)的發(fā)展與崛起是一場(chǎng)馬拉松,技術(shù)、產(chǎn)品、服務(wù)與應(yīng)用等仍有大量的攻關(guān)需求和儲(chǔ)備空間,需要持續(xù)進(jìn)行長(zhǎng)期投入,對(duì)于天翼交通來(lái)說(shuō),技術(shù)積累的每一步都是未來(lái)突破的基石,也是支撐行業(yè)構(gòu)建技術(shù)競(jìng)爭(zhēng)力,推進(jìn)數(shù)字交通、數(shù)字城市、數(shù)字中國(guó)建設(shè)的重要力量。

(新媒體責(zé)編：wa123)