瘋狂打call！中國團隊稱雄AI大賽 領先微軟谷歌和Facebook！
作者:娛樂 來源:熱點 瀏覽: 【大 中 小】 發布時間:2025-12-11 03:08:02 評論數:
導讀：中國AI創業公司曠視科技（Face++）在MS COCO物體檢測、瘋狂人體關鍵點檢測，打c隊稱以及Places物體分割三項比賽中擊敗微軟、國團歌和三亞怎么找紅燈區【電話微信1662+044-1662】提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達谷歌、雄A先微Facebook等對手，賽領奪得了第一名。軟谷
8天的瘋狂計算機視覺頂會ICCV 2017在威尼斯悄然落幕，期間中國團隊在物體檢測、打c隊稱人體關鍵點檢測等競爭激烈的國團歌和比賽中擊敗了谷歌、微軟、雄A先微Facebook等國際巨頭AI實驗室。賽領
ICCV 2017 “Joint COCO and 軟谷Places Recognition Challenge” Workshop中，一共公布了7項競賽的瘋狂結果。
中國AI創業公司曠視科技（Face++）在MS COCO物體檢測、打c隊稱人體關鍵點檢測，國團歌和以及Places物體分割三項比賽中擊敗微軟、谷歌、Facebook等對手，三亞怎么找紅燈區【電話微信1662+044-1662】提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達奪得了第一名。
曠視科技獲COCO物體檢測、人體關鍵點檢測冠軍；UCenter獲COCO物體分割冠軍：
而在MS COCO物體分割檢測中，由北京大學和香港中文大學聯合組成的UCenter隊（也可以理解為商湯科技隊）奪得冠軍，曠視科技（Face++）團隊獲得了第二名。
Places場景分割挑戰賽的冠軍由中科院自動化所和京東聯合建立的CASIA_IVA_JD隊拿下，第二名是今日頭條的WinterIsComing隊。
參賽選手總結
量子位還得到一份曠視Face++此次參賽主力隊員的一份賽后總結。這份總結應該是出自大三學生肖特特，他還特別提到隊友羅睿軒和姜博睿。轉發如下：
拿獎拿到手軟
終于，可以自豪地宣布，我們Face++團隊在備受關注的MSCOCO和由MIT牽頭的Places比賽中參與四個項目，擊敗Facebook, Google, Microsoft, 國內外高校和企業等，拿下三項世界冠軍一項第二名。其中我作為核心成員之一參與了COCO Detection & Instance Segmentation與Places Instance Segmentation三個項目，并為COCO Skeleton做了一點點微小的貢獻
關于比賽
一支團隊能同事拿下那么多冠軍是史無前例的。在最重要的COCO Detection中，我們贏了第二名近2個絕對百分點。在Places比賽，我們在準備不充分的情況下(我的錯)，贏了第二名Google4.5個絕對百分點。為我們的隊伍感到自豪。
“Face++模式”
對于我來說，贏了是團隊好輸了當然是自己做得不夠好。這次比賽，我特別要介紹曠視的platform組。他們負責維護和建立上千塊gpu的集群，支持各種功能。而我們，動輒要求幾十上百塊gpu跨機訓練，給他們造成了前所未有的壓力。但是，他們每次幾乎立即處理問題，以最快的速度解決。這是我見過的最敬業，效率最高的team. 每一塊獎牌后面都應該有他們的名字。
“姚班模式”
我特別想提一下，在兩個Segmentation比賽中，我的兩位室友，羅睿軒和姜博睿，比我做出了更大貢獻。他們也是我的ACM隊友。這是我一直追求的姚班模式。作為朋友，室友。大家每時每刻、自發地討論學術問題，取得比賽好成績，或者一起發表論文。很高興我在身體力行，為這個模式做了一些微小的貢獻。感謝室友的不殺之恩，因為我實在太push了…把人從床里拖出來review代碼這事發生了不止一次。比賽結束前每天熬夜到三四點，第二天接著干。很不容易，Good job!
關于ICCV
第一次在國際會議做Presentation, 居然上臺后一點都不緊張。我要了一個手持麥克風，借了個遙控器，成為了唯一一個不在講臺后講slides的人 XD. 被偶像級前輩Ross Girshick夸報告講得非常好，真的特別開心。
關于research
準備今年的CVPR和明年ECCV submissions. 手里攢了不少東西。借用Kaiming的一句話”漲3個點很容易，漲3個點講個故事也不難，最難的是想一個idea, 并且指出它能漲3個點”. 跟這些人交流得越多，我越來越知道自己應該做什么樣的工作，什么樣的工作是有意義的，值得尊敬的。希望在明年ECCV投稿的工作中，能看到自己一點點往這個方向的努力。
有趣的事情
與Ross和Kaiming聊了一會，我表達了對兩位role models的敬佩，講我一直在向各位學習。Ross大神說你明年要是能來FAIR實習就太好了。我們沒準還能向你學習呢。腦子一下空白了…回答，現在不夠格和各位一起工作，phd時一定一定會申你的intern :)
三年級本科生的身份倒是能讓大家迅速記住你 23333 真的比平均年齡小了太多。。
感謝NVIDIA送了一塊TITAN XP。以為還是之前的一萬美元呢哈哈
另外，據商湯科技透露他們的隊伍也是實習生擔任主力。
歷史戰績
物體檢測這個項目，是MS COCO大賽的重頭戲，從2015年第一屆就存在，第二、三屆中依然延續了下來。
其實，拿下2015年物體檢測項目冠軍的MSRA團隊，就是孫劍在微軟亞洲研究院帶領的一組研究員，包括何愷明、任少卿、代季峰和Xiangyu Zhang，所用的算法，是何愷明和RBG大神第一次合作的Faster R-CNN。
2016年的物體檢測冠軍，是谷歌研究院的G-RMI隊，而用的算法，依然是Faster R-CNN。
2015年第一屆MS COCO大賽中除了物體檢測，還有個生成圖片說明（Captioning Challenge）項目，當時奪冠的谷歌團隊，與人類baseline相比依然差了一大截，這個比賽項目也沒能繼續下去。
在2016年，物體檢測之外的比賽項目變成了人體關鍵點檢測，當時奪冠的團隊來自CMU。
COCO+Places 2017簡介
MS COCO是一個已經舉辦了三年，在業內頗有名氣的比賽。今年的MS COCO共有四個項目，包括物體檢測、物體分割、人體關鍵點檢測和場景分割。
和MS COCO聯合公布結果的Places今年還是第一屆，由MIT和CMU牽頭，包括物體分割、場景分割和邊緣檢測三個項目，旨在深度理解圖像場景。
COCO挑戰賽
COCO是一個圖像數據集，被設計用來推動物體檢測研究，特別是檢測上下文中的物體。其中提供的注釋包括80個分類的物體像素級分割，人體實例的關鍵點注釋，91個類別的背景語義分割。
大賽具體包括：
COCO檢測挑戰
COCO 2017檢測挑戰賽已在推動物體檢測領域的進步。參賽隊伍要在兩類物體檢測挑戰中競爭：使用包圍盒（bounding box）輸出或者物體分割輸出。
COCO關鍵點挑戰
這項挑戰需要在復雜環境下對人體關鍵點進行定位。這項挑戰需要在檢測出人體的同時，對關鍵點進行定位標注。
COCO背景語義分割挑戰
今年的挑戰中，已經給出人、汽車、大象等物體的分類，所以重點主要在背景分類的部分，例如草坪、墻壁、天空等。
Palces挑戰賽
Places挑戰的數據，是一個像素級標注的圖像數據及ADE20K。這個數據集中有2萬張圖像用于訓練，2千張用于驗證，3千張用于測試。
Places 2017的挑戰主要有三個任務：場景分割（scene parsing）、物體分割（instance segmentation）、邊緣檢測（semantic boundary detection）。
8天的瘋狂計算機視覺頂會ICCV 2017在威尼斯悄然落幕，期間中國團隊在物體檢測、打c隊稱人體關鍵點檢測等競爭激烈的國團歌和比賽中擊敗了谷歌、微軟、雄A先微Facebook等國際巨頭AI實驗室。賽領
ICCV 2017 “Joint COCO and 軟谷Places Recognition Challenge” Workshop中，一共公布了7項競賽的瘋狂結果。
中國AI創業公司曠視科技（Face++）在MS COCO物體檢測、打c隊稱人體關鍵點檢測，國團歌和以及Places物體分割三項比賽中擊敗微軟、谷歌、Facebook等對手，三亞怎么找紅燈區【電話微信1662+044-1662】提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達奪得了第一名。
曠視科技獲COCO物體檢測、人體關鍵點檢測冠軍；UCenter獲COCO物體分割冠軍：
而在MS COCO物體分割檢測中，由北京大學和香港中文大學聯合組成的UCenter隊（也可以理解為商湯科技隊）奪得冠軍，曠視科技（Face++）團隊獲得了第二名。
Places場景分割挑戰賽的冠軍由中科院自動化所和京東聯合建立的CASIA_IVA_JD隊拿下，第二名是今日頭條的WinterIsComing隊。
參賽選手總結
量子位還得到一份曠視Face++此次參賽主力隊員的一份賽后總結。這份總結應該是出自大三學生肖特特，他還特別提到隊友羅睿軒和姜博睿。轉發如下：
拿獎拿到手軟
終于，可以自豪地宣布，我們Face++團隊在備受關注的MSCOCO和由MIT牽頭的Places比賽中參與四個項目，擊敗Facebook, Google, Microsoft, 國內外高校和企業等，拿下三項世界冠軍一項第二名。其中我作為核心成員之一參與了COCO Detection & Instance Segmentation與Places Instance Segmentation三個項目，并為COCO Skeleton做了一點點微小的貢獻
關于比賽
一支團隊能同事拿下那么多冠軍是史無前例的。在最重要的COCO Detection中，我們贏了第二名近2個絕對百分點。在Places比賽，我們在準備不充分的情況下(我的錯)，贏了第二名Google4.5個絕對百分點。為我們的隊伍感到自豪。
“Face++模式”
對于我來說，贏了是團隊好輸了當然是自己做得不夠好。這次比賽，我特別要介紹曠視的platform組。他們負責維護和建立上千塊gpu的集群，支持各種功能。而我們，動輒要求幾十上百塊gpu跨機訓練，給他們造成了前所未有的壓力。但是，他們每次幾乎立即處理問題，以最快的速度解決。這是我見過的最敬業，效率最高的team. 每一塊獎牌后面都應該有他們的名字。
“姚班模式”
我特別想提一下，在兩個Segmentation比賽中，我的兩位室友，羅睿軒和姜博睿，比我做出了更大貢獻。他們也是我的ACM隊友。這是我一直追求的姚班模式。作為朋友，室友。大家每時每刻、自發地討論學術問題，取得比賽好成績，或者一起發表論文。很高興我在身體力行，為這個模式做了一些微小的貢獻。感謝室友的不殺之恩，因為我實在太push了…把人從床里拖出來review代碼這事發生了不止一次。比賽結束前每天熬夜到三四點，第二天接著干。很不容易，Good job!
關于ICCV
第一次在國際會議做Presentation, 居然上臺后一點都不緊張。我要了一個手持麥克風，借了個遙控器，成為了唯一一個不在講臺后講slides的人 XD. 被偶像級前輩Ross Girshick夸報告講得非常好，真的特別開心。
關于research
準備今年的CVPR和明年ECCV submissions. 手里攢了不少東西。借用Kaiming的一句話”漲3個點很容易，漲3個點講個故事也不難，最難的是想一個idea, 并且指出它能漲3個點”. 跟這些人交流得越多，我越來越知道自己應該做什么樣的工作，什么樣的工作是有意義的，值得尊敬的。希望在明年ECCV投稿的工作中，能看到自己一點點往這個方向的努力。
有趣的事情
與Ross和Kaiming聊了一會，我表達了對兩位role models的敬佩，講我一直在向各位學習。Ross大神說你明年要是能來FAIR實習就太好了。我們沒準還能向你學習呢。腦子一下空白了…回答，現在不夠格和各位一起工作，phd時一定一定會申你的intern :)
三年級本科生的身份倒是能讓大家迅速記住你 23333 真的比平均年齡小了太多。。
感謝NVIDIA送了一塊TITAN XP。以為還是之前的一萬美元呢哈哈
另外，據商湯科技透露他們的隊伍也是實習生擔任主力。
歷史戰績
物體檢測這個項目，是MS COCO大賽的重頭戲，從2015年第一屆就存在，第二、三屆中依然延續了下來。
其實，拿下2015年物體檢測項目冠軍的MSRA團隊，就是孫劍在微軟亞洲研究院帶領的一組研究員，包括何愷明、任少卿、代季峰和Xiangyu Zhang，所用的算法，是何愷明和RBG大神第一次合作的Faster R-CNN。
2016年的物體檢測冠軍，是谷歌研究院的G-RMI隊，而用的算法，依然是Faster R-CNN。
2015年第一屆MS COCO大賽中除了物體檢測，還有個生成圖片說明（Captioning Challenge）項目，當時奪冠的谷歌團隊，與人類baseline相比依然差了一大截，這個比賽項目也沒能繼續下去。
在2016年，物體檢測之外的比賽項目變成了人體關鍵點檢測，當時奪冠的團隊來自CMU。
COCO+Places 2017簡介
MS COCO是一個已經舉辦了三年，在業內頗有名氣的比賽。今年的MS COCO共有四個項目，包括物體檢測、物體分割、人體關鍵點檢測和場景分割。
和MS COCO聯合公布結果的Places今年還是第一屆，由MIT和CMU牽頭，包括物體分割、場景分割和邊緣檢測三個項目，旨在深度理解圖像場景。
COCO挑戰賽
COCO是一個圖像數據集，被設計用來推動物體檢測研究，特別是檢測上下文中的物體。其中提供的注釋包括80個分類的物體像素級分割，人體實例的關鍵點注釋，91個類別的背景語義分割。
大賽具體包括：
COCO檢測挑戰
COCO 2017檢測挑戰賽已在推動物體檢測領域的進步。參賽隊伍要在兩類物體檢測挑戰中競爭：使用包圍盒（bounding box）輸出或者物體分割輸出。
COCO關鍵點挑戰
這項挑戰需要在復雜環境下對人體關鍵點進行定位。這項挑戰需要在檢測出人體的同時，對關鍵點進行定位標注。
COCO背景語義分割挑戰
今年的挑戰中，已經給出人、汽車、大象等物體的分類，所以重點主要在背景分類的部分，例如草坪、墻壁、天空等。
Palces挑戰賽
Places挑戰的數據，是一個像素級標注的圖像數據及ADE20K。這個數據集中有2萬張圖像用于訓練，2千張用于驗證，3千張用于測試。
Places 2017的挑戰主要有三個任務：場景分割（scene parsing）、物體分割（instance segmentation）、邊緣檢測（semantic boundary detection）。