过去一周，CVPR 2016向我们展出了其可观的演说嘉宾，多样的大会主题，非常丰富的圆桌会议以及全球化的CV赞助，不管就是指演说嘉宾上还是赞助上，我们都看见了全球科技企业对于这次大会的推崇程度，而大会上屡屡兴起的亮点，堪称让参与这次大会的人实在不枉此行。下面我们再行从黑科技这个亮点想起。白科技兴起 CVPR 2016这是要火的节奏CVPR2016上，麻省理工学院计算机科学和人工智能实验室(CSAIL)将公布一份关于可预测人类不道德的算法的研究报告。

通过给此算法引入近600小时的电视秀(其中还包括《生活大爆炸》《恐惧主妇》《办公室》等剧集)，来测试机器否能精确预测人类在各场景对话中的不道德。此次实验数据是人工智能“预测想象力”技术的明显变革。

Mobileye CTO CVPR演说：机器学习和无人驾驶将带给哪些冲击？确实的进步大约不会在2021年来临，按我们的分级方法，那时候的自动驾驶等级大约不会在Lv.4到Lv.5之间了，能构建确实的全自动驾驶。那时预计社会将不会渐渐拒绝接受自动驾驶系统的不存在，有可能在一段时间内，还是不会有司机躺在驾驶座上以防万一算法错误。而这时的自动驾驶系统有可能主要在公共交通或出租车等方式、如Uber等之间风行，私家车司机还是不会偏向于手动驾车上下班。

除了李飞飞 CVPR上还来了哪些知名的学术大牛？Jitendra Malik为加州伯克利大学分校的教授，1985年毕业于美国斯坦福大学，现任加州大学伯克利分校电子工程与计算机科学系由的资深教授，曾于2004年~2006年任该系系主任。Jitendra Malik教授主要研究方向为计算机视觉和生理理解建模，牵涉到图像拆分、视觉的组织、纹理分析、立体视觉、物体辨识、智能交通系统等普遍内容，在这些领域公开发表了多达150篇文章，其中有五篇文章提到亲率多达1000。

Jitendra Malik教授已培育了26位博士生，其中少有国际研究界和工业界的著名教授与专家。深度自学有很多优势，但在视觉辨识领域它能做到的工作还远比过于多，此次Piotr Dollar和Jitendra Malik在论坛上，主要辩论，目前深度自学用作视觉辨识领域优点和缺点，以及如何通过对系统和记忆网络，能让前馈视觉架构有所改善。CVPR引发极大争议的新技术Face2Face：当科技先进设备到让人惧怕面部跟踪技术并不是什么新鲜的技术，但是今年3月发布的Face2Face毫无疑问彻底改变了它的意义。

这项技术可以十分细致的将一个人的面部表情、说出时面部肌肉的变化极致的动态读取另一个视频中的角色上。它由德国纽伦堡大学的科学家Justus Thies领衔已完成，技术上来说，这不仅是第一个能动态展开面部切换的模型（以前的都有某种程度的延后）。而且准确率和真实度比以前那些模型低得多。

最后效果看上去大约就是下面这个样子：……得奖无数的深度残差自学，清华学霸的又一次No.1 | CVPR2016 最佳论文概要在现有基础下，想更进一步训练更加深层次的神经网络是十分艰难的。我们明确提出了一种减低网络训练开销的残差自学框架，这种网络比以前用于过的网络本质上层次加深。

我们具体地将这层作为输出层涉及的自学残差函数，而不是自学不得而知的函数。同时，我们获取了全面实验数据，这些数据证明残差网络更容易优化，并且可以从深度减少中大大提高精度。我们在ImageNet数据集用152 层--比VGG网络深8倍的深度来评估残差网络，但它仍具备较低的复杂度。在ImageNet测试集中于，这些残差网络整体超过了3.57%的误差。

该结果在2015年大规模视觉辨识挑战赛分类任务中夺得了第一。此外，我们他用了100到1000层深度分析了的CIFAR-10。

对于大部分视觉辨识任务，深度回应是十分最重要的。仅有由于极深的回应，在COCO对象检查数据时，我们就获得了近28%涉及的改良。

深度剩下网络是我们递交给ILSVRC和COCO2015竞赛的基础，而且在ImageNet检测任务，ImageNet定位，COCO检测和COCO拆分等领域输掉我们取得了第一。小结：比起其它的学术会议，CVPR的黑科技更加多，得奖论文更加不受注目，领域大牛更为不受注目，参与的赞助阵容更加可观，坚信是因为计算机视觉和模式识别这个领域本身今年的大热造成的，AI科技评论君也期望这个势头沿袭到下一个顶级国际人工智能牵头大会（IJCAI）学术会议中。

原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：NG体育-www.abcszx.com