2019年6月16日-6月20日，全球計(jì)算機(jī)視覺與模式識(shí)別頂級(jí)會(huì)議(IEEE CVPR 2019)將在美國長灘拉開帷幕，本次會(huì)議論文收錄工作已經(jīng)結(jié)束。CVPR( Conference on Computer Vision and Pattern Recognition)作為行業(yè)最頂級(jí)的研究型會(huì)議，每年被收錄的論文均來自計(jì)算機(jī)視覺領(lǐng)域頂級(jí)團(tuán)隊(duì)，代表著國際最前沿的科研技術(shù)，并指引著計(jì)算機(jī)視覺領(lǐng)域未來的研究方向。本屆CVPR總共錄取來自全球頂級(jí)學(xué)術(shù)論文1299篇，中國團(tuán)隊(duì)表現(xiàn)不俗。

　　深睿 AI LAB 8篇論文入選CVPR 2019

　　根據(jù)CVPR 2019官網(wǎng)顯示，共提交了7144篇論文，其中5165篇為有效投遞論文，比去年CVPR2018增加了56%，最終錄取了1299篇。這些錄取的最新科研成果，涵蓋了計(jì)算機(jī)視覺領(lǐng)域各項(xiàng)前沿工作。2019年深睿醫(yī)療有8篇論文被本屆CVPR大會(huì)接收，躋身中國論文發(fā)布數(shù)量排名前列的科技公司之一。

　　深睿研究院CVPR2019錄取論文在以下領(lǐng)域?qū)崿F(xiàn)了創(chuàng)新性突破：醫(yī)學(xué)影像微小病灶檢測、細(xì)粒度圖像分類、基于弱監(jiān)督的顯著性檢測、圖像與自然語言的綜合理解，統(tǒng)計(jì)理論與深度學(xué)習(xí)相結(jié)合，采用“異常檢測”新思路準(zhǔn)確檢測醫(yī)學(xué)圖像中富于變化的弱信號(hào)等前沿技術(shù)。這些全球領(lǐng)先的計(jì)算機(jī)視覺算法顯示了深睿研究院在計(jì)算機(jī)視覺領(lǐng)域強(qiáng)大的核心人才儲(chǔ)備、科研文化底蘊(yùn)和技術(shù)創(chuàng)新能力。深睿研究院獨(dú)創(chuàng)的算法已被應(yīng)用于深睿醫(yī)療現(xiàn)有醫(yī)療AI產(chǎn)品中，同時(shí)對(duì)未來產(chǎn)品研發(fā)提供有力的技術(shù)支撐。

　　對(duì)于自研算法在智慧醫(yī)療領(lǐng)域的應(yīng)用，研究院本次被錄取了一篇文章題目為《基于級(jí)聯(lián)生成式與判別式學(xué)習(xí)的乳腺鉬靶微鈣化檢測(Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms)》的論文。論文針對(duì)乳腺鉬鈀中的微鈣化(直徑<=1cm)檢出問題提出了結(jié)合生成式和判別式模型的新思路。鈣化檢測對(duì)于乳腺癌的早期診斷十分關(guān)鍵，根據(jù)美國放射學(xué)院第五版BI-RADS標(biāo)準(zhǔn)，可疑惡性鈣化點(diǎn)通常直徑在1cm以內(nèi)。因此，研究微鈣化的檢出算法具有重要的臨床意義。

　　(論文中配圖)

　　鉬靶影像的微鈣化點(diǎn)通常不到10個(gè)像素，且形態(tài)多變，再加上正常組織背景變化較復(fù)雜且樣本量極大，僅使用判別式分類器很難提取到有效的特征。本篇論文設(shè)計(jì)了一個(gè)生成式模型“異常分離網(wǎng)絡(luò)”，與判別式模型相結(jié)合，在公開和私有數(shù)據(jù)集上均超越了當(dāng)前鈣化檢出的先進(jìn)水平。深睿醫(yī)療2018年發(fā)布的一款基于乳腺鉬靶的人工智能輔助診斷系統(tǒng)的產(chǎn)品，主要應(yīng)用于乳腺癌的早期篩查和診斷，這篇論文中的算法已經(jīng)在深睿這款產(chǎn)品上得到應(yīng)用。

　　另外一篇入選論文《為自底向上細(xì)粒度圖像分類服務(wù)的弱監(jiān)督互補(bǔ)部件模型(Weakly Supervised Complementary Parts Models for Fine-Grained Image Classification from the Bottom Up)》提出了一種新穎且有效的框架—弱監(jiān)督互補(bǔ)部件模型，來完成細(xì)粒度圖像分類任務(wù)。

　　(論文中配圖)

　　作者首先通過基于弱監(jiān)督學(xué)習(xí)的物體檢測和實(shí)例分割提取粗糙的物體實(shí)例，然后在盡可能保持多樣性的原則下，對(duì)每個(gè)物體實(shí)例的最佳組成部件進(jìn)行估計(jì)和搜索。實(shí)驗(yàn)表明本文提出的框架在一些常用的為細(xì)粒度圖像分類服務(wù)的公開標(biāo)準(zhǔn)測試集上大幅度地超越了當(dāng)前最先進(jìn)的算法。

　　俞益洲教授領(lǐng)銜的深睿研究院，在2018年的科研攻堅(jiān)戰(zhàn)取得了階段性的成果。俞教授本人在2018年度入選2019 IEEE Fellow以及2018ACM杰出科學(xué)，獲得兩項(xiàng)殊榮，并帶領(lǐng)團(tuán)隊(duì)完成了7款醫(yī)療AI 領(lǐng)域的人工智能產(chǎn)品的研發(fā)。俞教授坦言成立深睿研究院的初衷就是為了可以集中企業(yè)最核心的技術(shù)力量，探索前瞻性的技術(shù)，為醫(yī)療AI提供領(lǐng)先的技術(shù)，為醫(yī)療機(jī)構(gòu)提供優(yōu)質(zhì)的臨床痛點(diǎn)的解決方案，同時(shí)培養(yǎng)優(yōu)秀的醫(yī)療AI科技人才。目前深睿醫(yī)療已經(jīng)和10多家國內(nèi)外頂級(jí)學(xué)術(shù)機(jī)構(gòu)建立長期學(xué)術(shù)科研合作，20多家頂級(jí)三甲醫(yī)院建立長期臨床科研合作。醫(yī)療AI任重道遠(yuǎn)，需要更多的科研人員投身其中，要有克服困難的決心，也要有進(jìn)行長期技術(shù)積累的耐心。

　　深睿研究院CVPR2019收錄論文列表如下：

　　[1] “Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms”

　　Fandong Zhang, Ling Luo, Xinwei Sun, Zhen Zhou, Xiuli Li, Yizhou Wang, Yizhou Yu, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.

　　[2] “Towards Accurate Task Accomplishment with Low-Cost Robotic Arms”

　　Yiming Zuo, Weichao Qiu, Lingxi Xie, Fangwei Zhong, Yizhou Wang, Alan Yuille, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.

　　[3] “Convolutional Spatial Fusion for Multi-Agent Trajectory Prediction”

　　Tianyang Zhao, Yifei Xu, Mathew Monfort, Wongun Choi, Chris Baker, Yibiao Zhao, Yizhou Wang, Yingnian Wu, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.

　　[4] “Completeness Modeling and Context Separation for Weakly Supervised Temporal Action Localization”

　　Daochang Liu, Tingting Jiang, Yizhou Wang, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.

　　[5] “Cross-Modal Relationship Inference for Grounding Referring Expressions ”

　　Sibei Yang, Guanbin Li, Yizhou Yu, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

　　[6] “Weakly Supervised Complementary Parts Models for Fine-Grained Image Classification from the Bottom Up ”

　　Weifeng Ge, Xiangru Lin, Yizhou Yu, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

　　[7] “Multi-Source Weak Supervision for Saliency Detection”

　　Yu Zeng, Huchuan Lu, Lihe Zhang, Yunzhi Zhuge, Mingyang Qian, Yizhou Yu, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

　　[8] “Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-Identification”

　　Wenjie Yang,Houjing Huang,Zhang Zhang,Xiaotang Chen,Kaiqi Huang,Shu Zhang. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

特別提醒：本網(wǎng)信息來自于互聯(lián)網(wǎng)，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，并請自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。