CVPR 2019丨亮相长滩，码隆科技多元引领零售视觉研究

全球计算机视觉顶级会议CVPR 2019已于6月20日在美国长滩顺利落幕。从日前公布的获奖论文中，我们能够发现华人声音在该领域愈为响亮，研究成果也备受关注。与此同时，也有更多的前沿研究在工业界进一步落地，实现创新价值。

作为今年大会的黄金赞助商，码隆科技在CVPR 2019上不仅发表了关于深度度量学习的研究工作，还与 Google Research等顶级研究机构合办了FGVC6 Workshop，主办有近百支队伍参加的细粒度商品识别挑战赛。同时，在与兄弟公司合办的「CVPR 2019群星闪耀精英晚宴」晚宴上，业界领军人物、明星创业公司，以及500多位计算机视觉研究者齐聚一堂，共话技术当下与未来。

打造史上最强商品识别竞赛

今年，码隆科技在CVPR 2019与Google Research参与合办了The 6th Fine-Grained Visual Categorization Workshop(第六届细粒度视觉分类研讨会)，并主办了其中iMaterialist Challenge on Product Recognition(细粒度商品识别图像分类挑战赛)。

该挑战赛共涵盖2019类SKU，有超过一百万图像数据，是CVPR迄今数据规模最大、种类最多的商品识别竞赛。相较去年挑战赛，今年的图片数量和商品数据类别分别是去年的5倍和40倍，挑战性相应也有大幅度提升。 两个月的赛程中，全球共有96支队伍、152位选手通过1600次提交参加了竞赛。6月17日，在CVPR 2019 FGVC6 Workshop上，码隆科技正式宣布大赛前三名分别为京东AI研究院、美团点评和东信北邮。

通过主办此次竞赛，码隆科技希望能够引发学界和产业界对商品识别这一技术领域的更多关注，共同探究提升细粒度物体识别的算法性能，探索出更好、更强的技术路径。

接收论文提出图像检索新范式

6月19日，码隆科技的CVPR 2019 接收论文“Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning”在Poster环节进行展示，并引发众多关注。

此前，针对图像搜索任务设计损失函数并没有统一的框架，很多研究者都通过直观理解尝试新的损失函数。但在码隆科技CVPR 2019接收论文“Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning”中，研究者探索了图像搜索的核心问题：即如何为损失函数的设计提供一个标准框架，将该领域近十年的损失函数都统一在该框架下，从而通过深度度量学习实现更优质的图像检索。

General Pair Weighting(GPW)是一种通用样本对加权框架，它希望从底层理解图像检索中的损失函数(深度度量学习)。简单而言，GPW 通过梯度分析将深度度量学习转化为样本对的加权问题，为理解基于样本对的损失函数提供了统一的视角和有力的工具。

晚宴集聚五百CV精英畅谈技术未来

6月19日晚，在长滩 Hilton 酒店宴会厅，码隆科技与将门投资、文远知行、禾赛科技、帷幄 、暗物智能联合举办一年一度的精英晚宴。因为CVPR的召开，整个长滩市都因为近万位参会者的到来而变得有活力热闹了起来，而我们的晚宴也如约迎来了500多位学者伙伴们。

活动现场，码隆科技联合创始人兼CTO码特(Matt Scott)进行了分享，介绍了码隆科技在计算机视觉商品识别领域研发及落地的实际情况。在展望技术未来时，码特说道：“我们期待着技术能够辅助未来生活变得更加美好。比如在将来，技术将使零售等行业发生巨大的变革，效率提高、成本降低和体验优化都势在必行。期待更多研究者能够加入码隆，通过将研究成果与实际产业相结合，带来更多创新价值。”

同场，四位来自工业界和学术圈的老师们——便利蜂副总裁、人工智能研究院院长、首席科学家华刚，阿里巴巴副总裁/达摩院城市大脑实验室主任华先胜，上海交通大学教授卢策吾，以及字节跳动人工智能实验室总监王长虎，与将门创投CEO高欣欣圆桌共话计算机视觉的当下与发展，以及今天在座的这一代学者所承载的历史使命。

结语：

CVPR 2019已是码隆科技连续第三年深度参与全球计算机视觉顶级会议CVPR。通过发表论文、举办研讨会、主办挑战赛、召集聚会等多种形式，码隆科技希望能够引发学界和产业界对商品识别相关领域的更多关注，共同探讨商品识别技术未来的发展路径和可能性。如今，从研发设计到应用落地，正因为有更多顶尖计算机视觉学者的全心投入和前沿研究，才共同将技术的边界不断延伸，商品识别相关研究的价值也正在实际应用中不断深化体现和被认可。

潜心前沿研究，关注技术应用，期待我们明年再相聚CVPR 2020!

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。