2019年6月16日，IEEE计算机视觉与模式识别会议（Conference on Computer Vision and Pattern Recognition 2019，CVPR 2019）在美国长滩顺利召开。该会议与 ECCV、ICCV 共称为计算机视觉领域三大顶级学术会议，9227位相关领域专家、学者参会并交流研究成果。同时，CVPR 2019 举办了多项竞赛，来自世界各地的参赛队伍参加了这些比赛，高手如林，竞争非常激烈。厦门大学计算机系曲延云教授和李翠华教授指导的两支队伍参加了NTIRE 2019挑战赛中的“图像去雾”竞赛和UG2+ 挑战赛Track 2 的 “雾霾场景下的（半）监督目标检测” 竞赛，并分别获得Runner Up奖。
图1. 在NTIRE 2019“图像去雾”挑战赛中获得Runner-Up奖
图2. 在UG2+ 挑战赛Track 2.1“雾霾场景下的（半）监督目标检测”获得Runner-Up奖
图3. 曲延云教授接受CVPR 2019 UG2+挑战赛颁奖，颁奖嘉宾（左），曲延云（右）
图4.陈怡姿同学进行竞赛汇报
NTIRE 2019图像去雾挑战赛专注于恢复浓雾图像，共有来自世界各地的23个团队参加。不同于传统的使用合成数据训练去雾模型的方法，主办方采集了55张室内或室外环境中产生的真实浓雾图像及其真实标签。
系参赛队伍根据小图像较容易恢复的特点，提出了一种多尺度级联生成对抗网络进行图像去雾，模型结构如图5所示。首先使用256*256的图像训练一个网络恢复出图像的全局信息，然后将小尺度图的特征上采样后级联到大尺度网络，恢复出细节信息。同时，该网络将原始输入图像合并到所有残差块中，以保证浅层和深层模块都能获取到原始的输入信息。相比于传统图像去雾算法，该模型直接构建了从有雾图像到无雾图像的映射，并能充分利用原始浓雾图像的多尺度信息。
图5. 多尺度级联生成对抗网络模型结构
从图6可以看出该方法不仅能恢复出浓雾图像的细节信息而且能恢复出其颜色。所提方法在验证数据集上取得了第一名的成绩，并最终获得Runner Up奖。
图6. 比赛方提供真实浓雾图像（左）与MsCGAN去雾图像（右）
在CVPR 2019 UG2+ Track 2 的 “阴霾场景下的（半）监督目标检测” 竞赛中，组委会提供了来自交通监控场景的 4,322 张标注的图像和 4,807 张未标注的真实的雾天图像。雾天图像目标检测需要在阴霾天气下实现对目标的有效检测，由于阴霾天气下图像质量差，目标难于观测，使得常见的深度目标检测算法在这种环境下检测性能大大下降。
系参赛队伍提出了“基于Cascade R-CNN的知识导向目标检测模型”， 网络模型如图7所示。相对于一般场景下的目标检测算法，该模型从三个方面实现阴霾场景下的目标检测。针对目标尺度差异大的问题，使用一种知识导向的方法调整预测框的尺度；针对比赛方提供的训练集和测试集中目标标签不一致问题，调整了训练集中的标签；为了使检测算法能够适应各种阴霾环境，引入了多种“数据增强”策略。所提方法在有雾图像上获得“Runner-Up奖”，检测效果如图8所示。
图7. 基于Cascade R-CNN的知识导向目标检测模型
图8. 真实有雾图像Cascade R-CNN检测结果示例
课题组一直专注于图像去噪、复杂场景的目标检测、大规模图像分类、聚类等方面研究。欢迎大家关注曲延云教授个人主页：http://quyanyun.xmu.edu.cn/indexC.html。
当前位置：