柯炜：西安交通大学特聘研究员，博士生导师。此前于2011年获得北京航空航天大学学士学位。于2018年获得中国科学院大学博士学位，导师为叶齐祥教授。2015年至2016年在芬兰奥卢大学进行博士生联合培养，2017年至2018年于微软亚研院实习，2018年至2020年在卡耐基梅隆大学任博士后研究员。主要研究兴趣为视觉目标感知和智能视频分析。已发表论文20余篇，其中CVPR、ECCV等顶会和T-NNLS，T-ITS等汇刊论文8篇。
报告题目：基于多锚点学习的目标检测方法
报告摘要：分类和定位是目标检测器的两个主要优化目标。在基于卷积神经网络的检测器中，这两个目标通常是在一组固定的候选框或者锚点上进行优化，获取位置偏差和分类置信度。位置预测准确的锚点置信度不一定高，而置信度最大的锚点位置又不一定准确。这种方式很难真正地对分类和定位进行联合优化。本次报告将介绍发表于CVPR2020上的工作，多锚点学习(Multiple Anchor Learning，MAL)，采用一种多实例学习方法来选择锚点并对单阶段目标检测器RetinaNet的两个模块进行联合优化。MAL通过构建锚点袋，并在其中选择最具有代表性的锚点进行网络参数优化。与此同时，采用对抗性选择-抑制的方式，通过扰动锚点的相应特征来压制锚点的置信度，以此增强分类器的鲁棒性。MS-COCO目标检测数据集上的实验表明，MAL在不同基网络的RetinaNet上均有显著的提升，获得了较好的检测结果。
Spotlight：
提出多锚点学习的方式联合优化目标检测中的分类问题和定位问题；
采用对抗性选择-抑制的方式防止训练过程中陷入局部最优；
MS-COCO目标检测数据集上的实验表明，MAL在不同基网络的RetinaNet上均有显著的提升，获得了较好的检测结果。
余学辉：中国科学院电子电气与通信工程学院在读博士生，2017年本科毕业于天津大学。主要研究兴趣为弱小目标检测，曾在WACV发表一作论文。
报告题目：弱小目标检测简述与一个弱小人体目标检测Benchmark-TinyPerson
报告摘要：随着深卷积神经网络的兴起，视觉目标检测取得了前所未有的进展。然而，在大尺度图像中检测微小物体（例如小于20×20像素的微小物体）的研究仍不充分。极小的物体对特征表示提出了巨大的挑战，而庞大而复杂的背景聚集了误报的风险。本次报告介绍我们最近做的一个新的工作，一个新的针对弱小人体目标检测的benchamrk：TinyPerson，它为远距离、多背景下的微小目标检测开辟了一个有前途的方向。此外实验发现，网络预训练数据集与检测器学习数据集之间的尺度分布不匹配会影响特征表示和检测器的性能。因此，我们又提出了一种简单而有效的尺度匹配方法来调整预训练数据集的目标尺度分布，以获得更好的初始化。即使如此，TinyPerson在现实场景中仍然具有很大的挑战性，该benchmark将在最近进行公开（https://github.com/ucas-vg/TinyBenchmark ）。本次报告有以下几个主要内容，一是对当前弱小目标检测的研究进行简述，二是介绍TinyPerson，一个针对弱小人体目标检测的benchmark，三是介绍Scale Match，一个简单有效的预训练技巧。
Spotlight：
对当前弱小目标检测的研究进行简述；
介绍TinyPerson，一个针对弱小人体目标检测的benchmark；
介绍Scale Match，一个简单有效的预训练技巧。
1. Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition
推荐理由：何凯明发表于ECCV2014和PAMI2015的工作，RoIPooling的来源。这篇文章中给出的spatial pyramid pooling灵感来自于spatial pyramid matching（‘Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories’, CVPR2006）。炼丹不仅仅是调参，还有对传统计算机视觉的思考。
推荐理由来自：柯炜
2. Learning Spatiotemporal Features with 3D Convolutional Networks
3. A Closer Look at Spatiotemporal Convolutions for Action Recognition
4. Video Classification with Channel-Separated Convolutional Networks
推荐理由：Du Tran对于视频特征提取的系列文章，从时空3D卷积的C3D到加速版本R(2+1)D，再到更加快速的CSN。这种出自同一一作的系列文章很多，值得去学习作者怎么一步步优化改进自己的方法。
推荐理由来自：柯炜
5. Scale Match for Tiny Person Detection
6. Seeing Small Faces from Robust Anchor’s Perspective
7. S3FD Single Shot Scale-invariant Face Detector
推荐理由：这三篇文章在Anchor设置和匹配策略（label定义），特征融合，结合超分辨率多个方面进行处理，基本包含了弱小目标检测的主要技巧，另一方面也说明弱小人体目标检测到现在仍没有更加有效的方法更新。
推荐理由来自：余学辉
8. Finding Tiny Faces in the Wild with Generative Adversarial Network
推荐理由：现阶段目标检测领域里通用目标检测、人脸检测、行人检测等任务都有较完善的Benchmark，但弱小目标检测仍缺少这样一个平台，本文就是引出了一个弱小人体目标检测平台TinyPerson，以及一个偏工程的方法提升弱小目标检测的实验性能。
推荐理由来自：余学辉
