时间：2024年9月28日（周六）上午09: 30
地点：望江校区基础教学楼B座318实验室
分享者：张键军、姚和
Part1
分享者：张键军
分享内容：
[1] Li X, Zhao K, Cong G, et al. Deep representation learning for trajectory similarity computation[C]//2018 IEEE 34th international conference on data engineering (ICDE). IEEE, 2018: 617-628.
[2] Tedjopurnomo D A, Li X, Bao Z, et al. Similar trajectory search with spatio-temporal deep representation learning[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2021, 12(6): 1-26.
论文简介：
[1] 轨迹相似性计算是许多应用的基本功能，如动物迁徙模式研究和车辆轨迹挖掘，以识别热门路线和相似的驾驶员。虽然轨迹是某个空间域（如二维欧几里得空间）中的连续曲线，但轨迹通常由点序列表示。基于点匹配计算相似性的现有方法存在一个问题，那就是即使两个不同的点序列代表相同的轨迹，它们也会区别对待。尤其是当点序列不均匀、采样率低、有噪声点时，这个问题就更加突出。作者提出了第一种深度学习方法来学习轨迹的表示，这种方法对低数据质量具有健壮性，从而支持精确高效的轨迹相似性计算和搜索。实验表明，作者的方法能够达到更高的精度，而且比最先进的 k 最近轨迹搜索方法至少快一个数量级。
[2] 相似轨迹搜索是一项至关重要的任务，它为许多下游空间数据分析应用提供了便利。尽管其重要性不言而喻，但目前许多文献只关注轨迹的空间相似性，而忽略了时间信息。此外，少数同时使用空间和时间特征的论文是基于传统的点对点比较方法。尽管不同轨迹之间的相对空间和时间平衡会发生变化，但这些方法只用一个预先定义的平衡因子来模拟所有轨迹数据的空间和时间方面的重要性。在本文中，作者首次提出了基于时空、深度呈现学习的类似轨迹搜索方法。实验表明，与现有的点对点比较和深度呈现学习方法相比，利用这两种特征能带来显著的改进。作者还表明，与点对点比较方法相比，论文的深度神经网络方法速度更快，性能更稳定。
Part2
分享者：姚和
分享内容：
[1] Kennerley M, Wang J G, Veeravalli B, et al. 2pcnet: Two-phase consistency training for day-to-night unsupervised domain adaptive object detection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023: 11484-11493.
[2] Zhang Y, Zhang Y, Zhang Z, et al. ISP-Teacher: Image Signal Process with Disentanglement Regularization for Unsupervised Domain Adaptive Dark Object Detection[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2024, 38(7): 7387-7395.
论文简介：
[1] 由于缺乏夜间图像注释，夜间物体检测是一个具有挑战性的问题。尽管采用了多种领域适应方法，但实现高精度结果仍是一个问题。在使用成熟的“学生-教师”框架的方法中，仍然可以观察到假阳性错误的传播，特别是对于小尺度和弱光物体。本文提出了一种两阶段一致性无监督域适应网络 2PCNet 来解决这些问题。该网络在第一阶段采用来自教师网络的高置信度边界框预测，并将其附加到学生网络的区域建议中，供教师网络在第二阶段重新评估，从而形成高置信度和低置信度伪标签的组合。在将夜间图像和伪标签用作学生网络的输入之前，会对其进行缩放，从而提供更强的小尺度伪标签。为了解决图像中的弱光区域和其他与夜间相关的属性所产生的误差，作者提出了一个名为 NightAug 的夜间特定增强管道。 该管道包括对日间图像应用随机增强，如眩光、模糊和噪声。在公开数据集上进行的实验表明，作者的方法比目前最先进的方法优胜 20%，也比直接在目标数据上训练的监督模型优胜 20%。
[2] 由于低照度图像的形成过程复杂，黑暗条件下的物体检测一直是一个巨大的挑战。目前，主流方法通常采用 “师生架构 ”的领域适应来解决黑暗环境下的物体检测问题，并通过在已注释的源日间图像上使用不可学习的数据增强策略来模仿黑暗环境。需要注意的是，这些方法忽略了对相机传感器生成低照度图像非常重要的内在成像过程，即图像信号处理（ISP）建模。为了解决上述问题，作者在本文中提出了一种名为 ISP-Teacher 的新方法，从一个新的视角（即基于自监督学习的 ISP 降级）探索用于黑暗物体检测的 “教师-学生 ”架构。具体来说，作者首先设计了一个与相机传感器 ISP 管道（ISP-DTM）一致的昼夜转换模块，使增强图像看起来更符合相机捕捉到的自然弱光图像，并以自我监督的方式学习 ISP 相关参数。此外，为了避免在共享编码器中 ISP 降级与检测任务之间的冲突，作者提出了一种反纠缠正则化（DR）方法，通过最小化余弦相似度的绝对值来反纠缠两个任务，并使两个梯度向量尽可能正交。在两个基准上进行的大量实验表明，作者的方法在黑暗物体检测中非常有效。特别是在 BDD100k 和 SHIFT 数据集上，ISP-Teacher 比 SOTA 方法分别提高了 +2.4% AP 和 +3.3% AP。代码见 https://github.com/zhangyin1996/ISP-Teacher。
