电院学子论文被国际计算机视觉顶级会议CVPR 2020录用

 （通讯员：段小乐）  2月24日，2020年度IEEE国际计算机视觉与模式识别会议 (IEEE Conference on Computer Vision and Pattern Recognition，简称CVPR) 公布了接收论文结果。我院影像处理实验室邓成教授、高新波教授联合指导的3篇论文入选，论文第一作者分别为博士生杨木李、党致远和李茂森。

据悉，本届CVPR的评审阵容包括198位领域主席和3664位审稿人。会议共收到6656篇有效投稿，收录论文1470篇，接收率约22%，相比去年降低3个百分点，竞争态势愈发激烈。CVPR作为计算机视觉领域顶级国际会议之一，每年都吸引全球众多顶尖科研工作者投稿，其录用论文指引着计算机视觉领域未来的研究方向。CVPR被中国计算机学会（CCF）推荐为A类会议。根据权威的Google Scholar Citation最新统计，CVPR的H5 index为240，位列全球所有出版物第10（Nature第1，Science第3），工程与计算机类出版物第2，泛人工智能领域第1。

杨木李博士的论文“Learning Unseen Concepts via Hierarchical Decomposition and Composition”提出了一种全新的“分而治之，治而合之”的学习策略以解决未知概念对的识别问题。该方法首先将已知概念对的图像输入拆分为单个概念的视觉特征，然后在语义空间中与其他概念的文本特征组合为具有三种层级结构的概念对。通过进一步挖掘隐藏在这些概念对中的自监督信息，自适应地调控不同概念对之间的距离关系，实现已知概念向未知概念的知识迁移，有效提升未知概念对的识别能力。

党致远博士的论文“Multi-Scale Fusion Subspace Clustering Using Similarity Constraint”设计了一种使用相似性约束的多尺度融合网络来学习更具判别力的自表示系数矩阵。该方法首次提出融合深度子空间聚类中的多尺度信息，大幅提高了深度子空间聚类在多个基准数据集上的性能。

李茂森博士的“Towards Transferable Targeted Attack”提出了一种基于庞加莱度量与三元组损失的有目标对抗样本生成方法。该方法首次发现并提倡目标对抗样本不同于非目标攻击的特殊性，解决了传统目标攻击方法中的噪声固化问题，额外利用了常在目标攻击中被忽视的真实标签信息，有效提升了所生成有目标对抗样本的迁移能力。