电子工程学院4篇成果被ICCV 2023录用

近日，2023年度国际计算机视觉会议（ICCV 2023）公布了论文录用结果，电子工程学院共计4篇论文被录用。分别是邓成教授团队武阿明博士的《Deep Feature Deblurring Diffusion for Detecting Out-of-Distribution Objects》、闫杰熹博士的《Learning with Diversity: Self-Expanded Equalization for Better Generalized Deep Metric Learning》和闵聿宽博士的《Environment-Invariant Curriculum Relation Learning for Fine-Grained Scene Graph Generation》，陈渤教授团队李妙歌硕士与王东升博士合作的《PatchCT: Aligning Patch Set and Label Set with Conditional Transport for Multi-Label Image Classification》。

据悉，ICCV由电气和电子工程师协会（IEEE）主办，每两年举办一次，是计算机视觉领域顶级会议之一，此次会议共接收论文2160篇，录用率约为26.7%。ICCV 2023将于10月2日至10月6日在法国巴黎举办。

武阿明博士论文“Deep Feature Deblurring Diffusion for Detecting Out-of-Distribution Objects”提出了一种用于生成分布外特征的扩散机制（深度特征去模糊扩散）。通过利用生成的特征，缓解了缺乏分布外数据的影响，提升了模型区分分布外物体和分布内物体的能力。多个检测任务和数据集上的实验结果表明了所提方法的有效性。

闫杰熹博士论文“Learning with Diversity: Self-Expanded Equalization for Better Generalized Deep Metric Learning”探索了深度度量学习中的鲁棒性与泛化性问题，并提出一个新的自扩展对齐方法，自适应地生成具有域多样性的样本并有效地利用这些生成样本用于度量模型的训练，进一步提升度量模型在未见类和未见域上的泛化能力。在多个数据集上的实验结果有效证明了所提出方法的有效性。

闵聿宽博士论文“Environment-Invariant Curriculum Relation Learning for Fine-Grained Scene Graph Generation”提出了一种基于不变课程关系学习的场景图生成方法。基于场景图生成任务中存在的问题，首先为场景中的各个实体构建不同的采样分布环境，并以此学习一个对环境变化稳定不变的模型，缓解场景图生成中的实体数量不平衡问题。其次，为了减轻实体关系的不平衡现象，构建了类均衡的课程学习策略，以平衡不同的学习环境，消除实体关系中的不平衡。实验结果证明了本方法能够优化多种现有的场景图生成模型。

李妙歌硕士与王东升博士合作的“PatchCT: Aligning Patch Set and Label Set with Conditional Transport for Multi-Label Image Classification”，PatchCT是该团队条件传输(Conditional Transport)系列工作在图像多标签分类的一次尝试。作者将多标签分类任务看作图像-文本模态对齐问题。通过加载预训练好的视觉、语言编码器，得到图片在两个模态下的不同语义表示，其中视觉模态由多个图片patch组成，语义模态由相应的类别vector组成。利用条件传输理论正则同一图片的两种不同语义表示，进而完成多标签分类任务，在多个数据集上实现Sota结果，为多标签分类领域提供了一种新的解决思路。

此次4篇成果的录用体现了国际学术领域对电院师生科研成果的认可，既扩大了学院的学术影响力，又促进了师生与领域内顶尖学者的交流及对该领域最新研究进展的了解。