近日，IJCAI 2023（International Joint Conference on Artificial Intelligence）国际人工智能联合大会公布了录用结果。本届会议共有4566篇投稿，接收率为15%。作为当前全球最负盛名的 AI 学术会议之一，IJCAI将于今年 8月在澳门举行。

今年， 腾讯优图实验室共有3篇论文入选，研究方向包括：基于聚类块关联的小样本学习方法，RFENet：面向互惠特征演化的玻璃分割，以及APD：通过对齐-差异-解耦实现更加准确的RSI变化检测；展示了腾讯优图在人工智能领域的技术能力和学术成果。

以下为腾讯优图实验室部分入选论文概览：

01基于聚类块关联的小样本学习方法
Clustered-patch Element Connection for Few-shot Learning

腾讯优图实验室~论文2_聚类

弱特征表示问题长期以来一直影响着小样本任务的性能。为了缓解这个问题，最近的研究人员通过局部特征块来建立支持和查询实例之间的连接，以生成具有区分性的表示。

然而，我们观察到这些局部特征块之间存在语义不匹配，因为目标对象的位置和大小不固定。这种不匹配会导致不可靠的相似度置信度，而现有方法使用复杂的密集连接会加剧这个问题。基于此，我们提出了一种新颖的聚类块关联（CEC）来纠正不匹配问题。CEC利用块聚类和元素关联操作来分别收集和建立与高相似度特征块的可靠连接。基于CEC层的注意力模块和距离度量，我们提出了一个CECNet小样本分类框架。广泛的实验表明，我们的CECNet在小样本分类任务上优于现有方法。此外，我们的CEC方法还可以扩展到小样本分割和检测任务中，并取得了不错的性能提升。

  • 论文下载地址：https://arxiv.org/pdf/2304.10093.pdf
02RFENet：面向互惠特征演化的玻璃分割
RFENet: Towards Reciprocal Feature Evolution for Glass Segmentation

*本文由腾讯优图实验室、上海交通大学共同完成

腾讯优图实验室~论文2_解耦_02

玻璃状物体在日常生活中非常普遍，但现有的大多数方法仍难以对其进行分割。透明的特性使其难以与背景区分开来，而微小的分离边界则进一步阻碍了对其精确轮廓的获取。

本文通过揭示语义学习和边界学习共同进化的关键需求，提出了选择性相互进化（SME）模块来实现两者之间的相互特征学习。然后，为了利用全局形状上下文，我们提出了一个结构注意细化（SAR）模块，对边界周围的模糊点进行细粒度特征细化。

最后，为了进一步利用多尺度表示，我们将上述两个模块集成到一个级联结构中，然后引入一个互惠特征演化网络（RFENet）以实现有效的玻璃样物体分割。广泛的实验证明，我们的RFENet在三个流行的公共数据集上达到了最先进的性能。

  • 论文下载地址：https://arxiv.org/pdf/2307.06099.pdf
03APD：通过对齐-差异-解耦实现更加准确的RSI变化检测
Align, Perturb and Decouple: Toward Better Leverage of Difference Information for RSI Change Detection

*本文由腾讯优图实验室、复旦大学共同完成

腾讯优图实验室~论文2_人工智能_03

传统的遥感图像(RSI)变化检测主要依赖于对图像/特征层面的差分或隐式交互来辅助定位语义变化的区域，这种简单的变化检测方式容易受到非语义噪声的干扰，同时差分信息也缺乏图像内容的先验作为引导；

本文中设计了一套自底向上的操作来解决这些问题，改方案包含三个核心操作--对齐，差异化，解耦：

  1. 对齐通过RSI在上下文的二阶相似性引导特征融合，从而克服潜在非语义变化带来的干扰；
  2. 差异化操作将传统的特征差分/特征打乱操作改良为通道维度的随机化差分操作，实现类似dropout的正则化方法，提升差异表征的泛化能力；
  3. 最后解耦操作将差异表征和图像内容进行解耦，分别进行差异预测，提升变化预测精度；基于以上3点构造的变化检测器相较于基线方法取得了明显提升，在WHU-CD, LEVIR-CD等主流数据集上都取得了最优效果。
  • 论文下载地址：https://arxiv.org/pdf/2305.18714v1.pdf