Navinfo欧洲人工智能研究团队将在CVPR 2021研讨会上展示新发现

最近，NavInfo欧洲AI研究团队的两篇研究论文已经在2021年计算机视觉和模式识别(CVPR)研讨会上被接受，并将于下周提交。CVPR会议由IEEE计算机协会赞助，被公认为最负盛名的年度计算机视觉活动之一。每年，它都会协调几个以特定主题为重点的研讨会，并就全面的技术、应用和社区问题进行深入讨论。NavInfo Europe’s AI research 2021 Conference on Computer Vision and Pattern Recognition (CVPR) IEEE Computer Society,

题为“在路上精炼：自我监督学习中的在线知识提炼”的论文已被“从有限和不完美的数据中学习(L2ID)”工作坊接受，并被选为工作坊口头报告的论文之一。研讨会试图将研究人员聚集在一起，讨论与视觉学习相关的新兴新技术，这些技术的标签有限或不完美。为了解决具有挑战性的模式识别任务，人们在弱监督和自监督学习方面做了很多努力，以提高模型的鲁棒性。Dogo是本文提出的一种新的自监督学习范式，它利用单级在线知识提取来提高较小模型的表示质量。我们的方法在存在噪声和有限标签的情况下表现出显著的性能增益，并且在对非分布数据的泛化中表现出显著的性能增益。请观看我们的视频，了解有关论文的详细说明。Distill on the Go: Online Knowledge Distillation in Self-Supervised Learning Learning from Limited and Imperfect Data (L2ID)

我们的第二篇研究论文“鲁棒无监督单应估计的感知损失”也已被“图像匹配：局部特征与超越”研讨会接受为口头报告。本次研讨会旨在鼓励偏离并推进传统公式的图像匹配新技术，重点是用于3D重建或姿态估计的大规模、宽基线匹配。本文提出了一种无监督单应估计的双向隐单应估计(BiHomE)损失方法。结果表明，biHomE在合成COCO数据集上达到了最先进的性能，与有监督的方法相比也是相当或更好的。此外，与其他方法相比，这种新方法对光照和/或较大的视点变化具有更强的鲁棒性。请观看我们的视频，了解有关论文的详细说明。Perceptual Loss for Robust Unsupervised Homography Estimation Image Matching: Local Features & Beyond

关于NavInfo欧洲人工智能研究实验室

我们的人工智能研究实验室是一个创新中心，拥有一支多样化、精力充沛的研究团队，他们在机器学习、计算机视觉、稳健的人工智能和因果关系方面拥有广泛的专业知识。我们对广泛应用的强大掌控使我们能够识别各个行业的AI用例，并部署AI技术，以实现更智能、更可靠的解决方案。

消息来源：https://www.navinfo.eu/insights/navinfo-europe-ai-research-team-to-present-new-findings-at-the-cvpr-2021-workshops/https://www.navinfo.eu/insights/navinfo-europe-ai-research-team-to-present-new-findings-at-the-cvpr-2021-workshops/