活动简介

报告时间：2022年5月27日19:00

实例分割可能是计算机视觉的几个经典任务中最有挑战性的一个，它既需要得到语义分割的预测结果，即像素的类别标签，也需要实现目标检测功能，即需要定位出不同实例，即使它们是同一种类。此次活动我们将介绍实例分割的最新进展，以及如何在没有高质量的标注数据的情况下，训练高性能的基于最新的深度学习技术的实例分割模型。

（实例分割展示图，不同颜色表示不同目标）

报告内容

实例分割是一项基本的视觉任务，旨在识别和分割图像中的每个目标物体。实例分割作为提供像素级别信息的目标检测方法，在视频分析、自动驾驶、手机计算摄影、医学影像等领域有广泛的应用价值。

目前的高性能的实例分割模型的训练依赖目标边界框、分割掩码等复杂昂贵的数据标注。在这里，我将介绍一种完全无监督的实例分割方法，实现在没有任何标注的情况下训练类别无关的实例分割。我们把这个方法命名为FreeSOLO（发表在CVPR'22）。FreeSOLO建立在我们之前一系列工作的基础上，包括：SOLO（ECCV'20，NeurIPS'20）、CondInst（ECCV'20）、BoxInst（CVPR'21）和DenseCL（CVPR'21）。

我们的工作还提出了一个新的位置相关的预训练框架，可以通过无监督的方式从复杂场景中提取目标。FreeSOLO在微软COCO数据集上实现了9.8%（AP50指标），这甚至超过了一些使用了人工标注的实例分割方法。

FreeSOLO首次成功地实现了无监督、类别无关的实例分割。FreeSOLO的边界框定位明显优于之前最好的无监督物体检测方法。在COCO AP中的相对改进约为100%。FreeSOLO进一步展示了其作为一个强大的预训练方法的优势，在仅用5%的COCO掩码对实例分割进行微调时，AP指标比之前最先进的自监督预训练方法高出9.8%。

嘉宾介绍

沈春华

浙江大学求是讲席教授

沈春华，浙江大学求是讲席教授，2021年12月全职加入浙江大学计算机学院CAD&CG国家重点实验室。2011到2021年，他在澳大利亚阿德莱德大学计算机学院、澳大利亚机器学习研究院（Australian Institute for Machine Learning）、以及澳大利亚机器视觉卓越中心（Australian Research Council Centre of Excellence for Robotic Vision）从事教学和科研工作；在这之前他在National ICT Australia堪培拉实验室以及澳洲国立大学工作了近6年。在从事教学的过去15年间，他指导毕业了28名博士生、30余名访问博士生。他在阿德莱德大学指导的博士生中超过一半学生毕业时获得了大学卓越博士论文研究生院院长奖（Dean’s Commendation for Doctoral Thesis Excellence）；4人获得Google PhD Fellowship。

他曾经担任澳大利亚Monash大学数据科学及人工智能学科的客座教授、南京大学客座教授。他本科就读于南京大学强化部、南京大学电子系硕士、阿德莱德大学博士。他的研究兴趣主要在计算机视觉的几个基础任务，包括目标检测、语义分割、实例分割，单目深度估计以及3D场景重建等。他的Google Scholar引用达39000+， H index 100。

报告地址

哔哩哔哩（B站）视频网站：https://live.bilibili.com/25103597，或扫描下方二维码。