91一级特黄大片|婷婷中文字幕在线|av成人无码国产|日韩无码一二三区|久久不射强奸视频|九九九久久久精品|国产免费浮力限制

2021年國際計算機視覺大會（ICCV）于近日放榜。中國海洋大學(xué)人工智能研究院的5篇論文被大會錄用。ICCV (International Conference on Computer Vision) 是計算機視覺領(lǐng)域的頂級會議，每兩年召開一次。ICCV2021收到有效投稿6236篇，最終錄用1617篇，錄用率為25.9%。

 

 

后門攻擊是一種新興的人工智能安全問題，攻擊者通過污染深度模型的訓(xùn)練數(shù)據(jù)在深度模型中植入后門。該后門的表現(xiàn)是對于正常的輸入數(shù)據(jù)，模型將輸出正確的預(yù)測，而對于被污染的輸入數(shù)據(jù)，模型將輸出錯誤的預(yù)測。目前常用的污染策略是在輸入數(shù)據(jù)中加入可見且固定模式（sample-agnostic）的觸發(fā)器。然而由于其可見和固定的觸發(fā)器，現(xiàn)有的防御方法可以有效地對其進(jìn)行限制。因此，本文提出了一種不可見且樣本相關(guān)（sample-specific）的觸發(fā)器。該方法通過自編碼器將特定字串嵌入輸入數(shù)據(jù)作為該樣本的觸發(fā)器，不同的輸入數(shù)據(jù)具有不同的觸發(fā)器。相比于現(xiàn)有的后門攻擊方法，該方法更加的隱蔽，并且可以繞過大部分的防御策略。

 

 

本文研究了低秩張量填充問題，旨在從不完整的張量數(shù)據(jù)中恢復(fù)原始的張量。本文基于廣義的張量奇異值分解，定義了一種新的張量平均秩。通過對平均秩的近似，本文提出了一種非凸張量填充模型。一種鄰近塊迭代下降算法被用于求解該模型，并得到了一定的收斂性結(jié)果。實驗證明，與其他張量填充算法相比，我們提出的算法在恢復(fù)效果和效率上具有一定的優(yōu)勢。

 

本文研究了從部分圖像恢復(fù)出整個圖像的問題。為了解決充分利用局部區(qū)域的信息恢復(fù)全局區(qū)域這一難題，我們根據(jù)對部分和整體之間關(guān)系的觀察，提出了一種全新的部分繪制方法，該方法包括三個階段：噪聲重啟、部分特征重繪和部分斑塊細(xì)化，通過利用特征級和斑塊級的區(qū)域以及生成式對抗網(wǎng)絡(luò)的強大表示能力來繪制整個圖像。本方法在當(dāng)前的圖像修復(fù)數(shù)據(jù)集上都取得了最先進(jìn)的性能，包括我們提出的不規(guī)則outpainting數(shù)據(jù)集。

論文4：Image Harmonization with Transformer.
Zonghui Guo, Dongsheng Guo, Haiyong Zheng, Zhaorui Gu, Bing Zheng, Junyu Dong
圖像協(xié)調(diào)(Image Harmonization)，旨在使合成圖像看起來更真實，是一項重要的、具有挑戰(zhàn)性的任務(wù)。我們試圖用Transformer來解決圖像協(xié)調(diào)問題，利用其強大的長距離上下文關(guān)系建模能力，用于調(diào)整前景光，使其與背景光兼容，同時保持結(jié)構(gòu)和語義不變。通過設(shè)計協(xié)調(diào)Transformer框架，以及綜合實驗和消融實驗，說明了Transformer在圖像協(xié)調(diào)方面的作用。我們的方法在圖像協(xié)調(diào)和圖像修復(fù)/增強方面都取得了最先進(jìn)的性能。

論文5: Multi-Modal Multi-Action Video Recognition
Zhensheng Shi, Ju Liang, Qianqian Li, Haiyong Zheng, Zhaorui Gu, Junyu Dong, Bing Zheng
由于需要識別同時出現(xiàn)的多個動作，多動作視頻識別具有極大的挑戰(zhàn)性。建立多動作關(guān)系模型對于理解具有多個動作的視頻是有益的和關(guān)鍵的，我們通過利用關(guān)系圖卷積網(wǎng)絡(luò)（GCN）和視頻的多模態(tài)性，提出了一個新穎的視頻多動作關(guān)系模型。我們首先建立了多模態(tài)的GCNs來探索模態(tài)感知的多動作關(guān)系，將特定模態(tài)的動作表示作為節(jié)點特征，然后將多模態(tài)的CNN-GCN模型和多模態(tài)的特征表示聯(lián)合起來，學(xué)習(xí)更好的關(guān)系動作預(yù)測。消減實驗和多行動關(guān)系可視化分析，都顯示了我們的多模態(tài)多行動關(guān)系建模的強大能力。同時，我們方法在大規(guī)模多動作數(shù)據(jù)集M-MiT上取得了最當(dāng)前最好的性能。