今天，我想介绍五篇关于ECCV 2020口述[图像识别]的相关论文，值得一读。ECCV、CVPR和ICCV被称为计算机视觉领域的三大会议。欧洲计算机视觉国际会议
2020年共提交5，025件，其中1，361件被受理，受理率为27%。
ECCV 2020年获奖论文名单地址：
https://eccv2020.eu/accepted-papers/
第1篇：自适应学习网络宽度与输入分辨率
论文：互网络：自适应convnet通过互学习网络宽度和。
分辨率”
下载地址：https://arxiv.org/abs/1909.12978.
https://github.com/taoyang1122/MutualNet
导读：深度神经网络在各种传感任务中取得了巨大的成功。然而，深度神经网络通常需要大量的计算资源，这使得它们难以部署在移动设备和嵌入式系统上。本文的贡献如下：
1.强调输入分辨率对于设计高效网络的重要性.以往的研究要么忽略它，要么将其从网络结构中分离出来。相比之下，本文将网络宽度和输入分辨率嵌入到统一的互学习框架中学习一个MutualNet，可以在运行时实现准确性和效率之间的自适应平衡。
2.进行了大量的实验证明，MutualNet的性能明显优于独立训练网络。
3.我们进行全面的消融研究，以分析提议的相互学习方案.我们进一步证明，我们的框架有望成为一种即插即用的策略来提高单个网络的性能，其性能大大超过了流行的性能改进方法，如数据扩展、SENet和知识蒸馏。
4.建议的架构是一个通用的训练计划，与模型无关.它可以应用于任何网络，无需任何结构调整。这使得它与其他最先进的技术兼容。比如神经结构搜索(NAS)，自动数据增强技术。
提出了一种在动态资源约束(如每秒浮点运算)下训练网络的方法。该方法提出了一种输入分辨率和网络宽度相互学习的方案，可以在运行时达到自适应精度。
效率权衡的约束显著提高了轻量级网络在图像分类、目标检测和实例分割等各种任务中的准确性和效率权衡。在COCO目标检测、实例分割和迁移学习中也验证了该方法的优越性。令人惊讶的是，MutualNet的训练策略在效率方面也能提升单个网络的性能(GPU搜索时数：15，000)。
0)和准确性(ImageNet:77.6% vs 78.6%)比强大的自动数据增强技术要好得多。
这种相互学习方案也被证明是一种有效的训练策略，可以提高单个网络的性能。框架的普适性使其很好地转化为一个通用的问题域，也可以扩展到视频输入和3D神经网络，其时空信息可以被利用。
总体框架如下：
第2篇：基于随机特征采样和插值的空间自适应推理
论文：“随机特征采样和的空间自适应影响”。
插值>
下载地址：https://arxiv.org/pdf/2003.08866.pdf.
Github:尚未找到(欢迎添加消息)
引言：在卷积神经网络的特征映射中，存在大量的空间冗余和重复处理。为了减少这种冗余计算，本文提出了一种降低卷积网络计算复杂度的方法：只计算稀疏采样位置的特征，这些特征是根据激活响应概率选择的，然后使用有效的插值过程来重建具有密集集.的特征图
利用特征映射中固有的稀疏性和空间冗余性，我们避免了在能够有效执行插值的空间位置的昂贵计算。
框架图：
mg src='https://p26.toutiaoimg.com/large/pgc-image/c876ecb800b8425898cc16315fcc0650' alt='五篇值得阅读的ECCV 2020 图像识别相关论文' />第3篇：开放 集 识别的混合模型
论文题目：《Hybrid Models for Open Set Recognition》
下载地址： https://arxiv.org/abs/2003.12506
github：暂未发现（欢迎留言补充）
介绍：开放集识别需要一个分类器来检测不属于其训练集中任何类的样本，现有的方法对训练样本的嵌入空间上拟合一个概率分布，并根据这个分布来检测离群点。然而，这种分类只关注已知的类，对于区分未知的类可能没有什么效果。本文认为，表示空间应该由内层分类器和密度估计器（作为离群点检测器）共同学习。为此，提出了OpenHybrid框架，该框架由一个编码器将输入数据编码到一个联合嵌入空间，一个分类器将样本分类到一个内部类，以及一个基于流的密度估计器来检测样本是否属于未知类别。大量的实验表明我们的方法达到了最先进的水平。基于流的模型的一个常见问题是，它们通常为分布外的样本分配更大的可能性。通过学习一个联合特征空间，以及在不同的数据集上进行观察，这个问题得到了解决。研究还表明，联合训练是促进开放集的识别性能的另一个关键因素。
框架图：
第4篇：梯度集中(GC):一种新的深层神经网络优化技术
论文题目：《Gradient Centralization: A New Optimization Technique for Deep Neural
Networks》
下载地址： https://arxiv.org/abs/2004.01461
github： https://github.com/Yonghongwei/Gradient-Centralization
介绍：优化技术对于有效地训练深度神经网络（DNN）具有重要意义。与现有的基于激活度或权值的优化方法不同，本文提出了一种新的优化技术，即梯度集中（gradient
centralization，GC），它通过将梯度向量集中到零均值的方式，直接对梯度进行操作。通过综合实验表明，GC可以对权值空间和输出特征空间进行规整，可以很好地应用于不同优化器和网络架构下的不同任务，提高了训练效率和泛化性能。
框架图：
第5篇：多任务学习增强对抗鲁棒性
论文题目：《Multi-task Learning Increases Adversarial Robustness》
下载地址：https://arxiv.org/pdf/2007.07236.pdf
github：暂未发现（欢迎留言补充）
介绍：虽然深度网络在一系列计算机视觉基准上达到了很强的精确度，但它们仍然容易受到对手的攻击，一些无法察觉的干扰数据欺骗了网络。本文提供了理论和实证分析，将一个模型的对抗鲁棒性与它所训练的任务数量联系起来。在两个数据集上的实验表明，攻击模型的难度随着目标任务数量的增加而增加。此外，我们的结果表明，当模型在同时进行多任务训练时，它们在单个任务的对抗攻击中会变得更稳健。也就是说，训练任务数量低的情况下，模型更容易受到对手的攻击。我们的工作是第一次将这种脆弱性与多任务学习联系起来，并暗示了一个新的研究方向，以理解和减轻这种脆弱性。
