实验室万方（博士）、周彦钊（博士）、邓维建（硕士）提交的三篇论文被CVPR2018录用。其中周彦钊同学和朱艺同学合作的论文被以Spotlight（亮点论文）的形式接收；最年轻的作者邓维建同学目前为二年级硕士生。祝贺他们！

CVPR全称IEEE Conference on Computer Vision and Pattern Recognition （IEEE计算机视觉与模式识别国际会议）是世界三大顶级计算机视觉会议（CVPR、ICCV和ECCV）之一，每年举行一次。今年会议收到来自上百家世界级名校、研究机构和企业的3300篇稿件，最终接收979篇 (录用率约29%)，其中Spotlight接收率仅为6.8%。

被接收的三篇论文如下：

弱监督目标实例分割：Weakly Supervised Instance Segmentation using Class Peak Response (CVPR2018, Spotlight)

现有先进的目标实例分割算法依赖于像素级别的强监督训练数据，存在标注成本高，训练开销大的不足。在本文中，我们利用深度卷积过程中产生的类别峰值响应，从仅采用图片标签训练的分类网络中挖掘出了适合目标级别(Instance-level)识别任务的精细视觉线索（峰值响应图PRM）。本方法在多个评测上取得了State-of-The-Art性能，并首次在图片级别监督的实例分割任务上报告结果。

弱监督目标检测：Min-Entropy Latent Model for Weakly Supervised Object Detection (CVPR2018)

MELM针对传统弱监督目标检测框架定位随机性强的问题，结合目标候选区域的分布特征，创新性地使用最小熵隐变量模型，通过分层的方式最小化定位熵，并提出循坏学习方式求解模型，提高了定位稳定性，并能抑制背景噪声。该模型在多个极具竞争性的公开数据集上取得了State-of-The-Art性能。

行人再识别：Image-Image Domain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity for Person Re-identification (CVPR2018)

论文针对行人再识别的跨域场景提出了”Learning via Translation”的算法模型。首先，模型通过无监督且保相似性的方式将有标签的源域数据迁移到目标域上，然后利用迁移后的数据训练专属于目标域的模型。该模型在两个大数据集合（Market1501和DukeMTMC-reid）的跨域场景评估上取得了State-of-The-Art的性能。

模式识别与智能系统开发实验室成立于2006年，主要从事机器学习、图像和视频处理、无线网络优化、智能感知系统等领域的研究。实验室研究人员由焦建彬教授、叶齐祥教授、韩振军副教授、秦飞副教授及22名研究生组成，承担了国家“973计划”、中科院“百人计划”、国家自然基金重点及面上项目、中科院电子所、北京市科委等单位课题。