在刚刚落下帷幕的计算机视觉与模式识别领域顶级会议 CVPR 2021 上，各项国际挑战赛的竞赛结果已全部揭晓。

阿里巴巴淘系技术多媒体算法 &视频内容理解算法团队，一举斩获

🎉 3 项国际冠军 🎉

🎉 1 项国际亚军 🎉

🎉 1 项国际季军 🎉

技术域包括图像描述生成、大规模实例级物体识别、多模态视频情感理解以及视频人物交互关系。

作为业界多媒体算法相关领域的领先团队，淘系技术的这支队伍着眼打造“端云一体、跨模态理解”的视频内容感知与理解算法平台；重点构建 AR 直播、3D 数字场、内容智能生产、审核、检索和高层语义理解等技术领域；支持着淘宝直播、逛逛、点淘等淘系内容业务，通过自研的内容中台为整个阿里集团的内容业务提供能力支持。

以下是本次 3 项国际冠军的竞赛内容详情 &我们的攻克方法。

🏆 冠军 🏆 VizWiz Image Captioning

▐  题目

Workshop：CVPR 2021 VizWiz Grand Challenge Workshop

TRACK：Image Captioning

▐  参赛者

宏黎，宏吉，咏亮，玉琦，少麟，定人

▐  技术领域

图像描述生成

▐  比赛背景介绍

VizWiz Grand Challenge 比赛从 2018 年开始举办，旨在利用计算机视觉技术帮助有视觉障碍的盲人“看见”世界。

该任务的输入是由盲人拍摄的图像，输出是图像的描述。 

与其他 Image Caption 数据不同，该比赛的数据是由视觉有障碍的盲人拍摄，图像质量比较差，因此任务难度更高。

▐  我们的成绩

我们以 CIDEr-D score 94.06 的成绩取得第一名，远超第 2 名的 CIDEr-D score 71.98。

总分也超过去年冠军 IBM 的 CIDEr-D score 81.04。

▐  任务难点

该任务主要有两个难点：

1. 图像质量较差：含各种室内、室外的场景，同时由于拍摄者视觉障碍，拍摄图像会出现失焦模糊、拍摄不全、遮挡等问题；

2. 许多图像描述需要理解图像中的文字，不同物体，颜色等信息，需要 OCR，物体检测等细节理解能力。

▐  我们通过以下途径解决这些困难

1. 针对 VizWiz 数据图像特性，采用 swin-transformer 抽取图像的 grid feature 替换 object feature，以充分表征不同图像区域的特性；

2. 考虑到 OCR 及物体信息会对 image caption 生成产生正向引导，我们抽取了 OCR 及目标检测类别信息，作为特征补充；

3. 并不是所有的图像都含有 OCR 信息，我们采用多种模型互补融合，用视觉模态模型强化那些不含 OCR 的数据，用视觉+文本（OCR+物体类别）多模态模型强化含有 OCR 信息较丰富的数据；

4. 针对多种模型生成的结果，考虑到最终的衡量指标是 CIDEr，我们通过 self-cider、ocr maximization 多种策略融合的方式进行结果融合。

▐  可应用的场景

Image captioning 需要视觉理解与文本生成，是视觉和 NLP 任务的结合，可应用于互联网产品的内容标题自动生成，另外也可以帮助盲人和视觉受损用户提升他们对世界的感知能力。

▐  赛事链接

1. workshop：https://vizwiz.org/workshops/2021-workshop/  

2. challenge：https://eval.ai/web/challenges/challenge-page/739/overview

🏆 冠军 🏆 Herbarium 2021 - Half-Earth Challenge

▐  题目

Workshop：The Eight Workshop on Fine-Grained Visual Categorization

Task：fine-grained plant species identification

▐  参赛者

元年，兰枻，琉潇，有邻，暖雨，济宇，篱悠

▐  技术领域

大规模实例级物体识别

▐  比赛背景介绍

Herbarium 2021 属于 CVPR2021 FGVC8 workshop 的一项比赛，该 workshop 针对实例级细粒度识别问题，已经连续举办第八届。

Herbarium 2021 比赛数据集为从多个大型植物园收集的美洲、大洋洲等半个地球的 6.5W 类 2.5M 张植物样本图片，用于训练植物识别算法，辅助植物学家进行植物识别，发现和保护新物种。

该数据集存在长尾分布，样本数目最少的类别仅有 3 张样本，同时，不同植物间视觉非常相似，同时同一植物的不同样本有较大差异，给实例级识别带来很大挑战。

▐  我们的成绩

我们以 F1 score 0.757 的成绩在该项比赛上取得了第一名的成绩，远超第二名的 0.735 和第三名的 0.689。

▐  任务难点

该任务主要存在以下两个难点：

1. 植物种类多、类别细，不同植物间视觉非常相似，而同一植物的不同样本存在差异，导致类间易混淆，区分难度大；

2. 数据集的样本分布不均衡，存在长尾分布，样本数目最少的类别仅有 3 张样本，如何提升长尾类别准确率至关重要。

▐  我们通过以下途径解决这些困难

将自然场景中实例级植物识别问题转换成大规模细粒度特征表达问题，提出 self-attention pooling 进行局部特征增强提升特征表达能力；通过引入 Imbalanced Sampler 和自适应类别 loss 解决类别分布不平衡问题；此外，基于混合精度的大规模多机多卡训练能力，实现近三百万数据规模下的快速迭代能力。实现高效万级在线难样本挖掘，极大提升了特征在复杂场景下的泛化能力。最终凭借领先亚军 2.2%的优势，一举获得冠军。

▐  可应用的场景

实例级的细粒度识别技术可辨别物体间细微的视觉差异从而实现精细的物体识别，广泛应用于商品识别、动植物识别、行人识别、地标识别等领域。

▐  赛事链接

1. Workshop:https://sites.google.com/view/fgvc8/home                               

2. Challenge：https://sites.google.com/view/fgvc8/competitions/herbariumchallenge2021  

3. Kaggle leadboard:https://www.kaggle.com/c/herbarium-2021-fgvc8/leaderboard

🏆 冠军 🏆 ActivityNet Home Action Genome Challenge

▐  题目

Workshop：International Challenge on Activity Recognition

Task：Home Action Genome Challenge

▐  参赛者

少麟，廖越（北航），咏亮，叶盈，篱悠，刘偲（北航）

▐  技术领域

视频人物交互关系

▐  比赛背景介绍

Home Action Genome Challenge 今年首次在 CVPR2021 ActivityNet Workshop 举办, 由斯坦福大学李飞飞教授课题组主办，比赛提供了一个大规模多视角的视频数据集，通过多模态视频分析，检测视频中存在的人物交互关系。

▐  我们的成绩

我们以准确率 76.5%的成绩在该项比赛上取得了第一名的成绩，大幅领先第二名的 68.4%和第三名的 65.7%。

Home Action Genome Challenge 获奖证书

▐  任务难点

该任务主要有 3 个难点：

1. 数据集的日常家居场景复杂，人体和物体的目标检测难度大

2. 人物关系包含动作关系和空间关系，关注不同的视觉特征

3. 每一组人体和物体都存在多个人物关系，评估时必须完全正确才计一次正确

▐  我们通过以下途径解决这些困难

1. 采用更好的检测模型：我们采用 Swin-Transformer 和 ResNeSt 为 backbone 的性能 SOTA 的检测模型，并通过多种数据增强策略训练和多尺度融合推理，提升目标检测的准确率。

2. 强化人物关系的视觉特征：我们设计了融合两阶段和一阶段关系检测网络的方案，首先将 Swin-Transformer 融入两阶段关系检测网络进行端到端训练，然后改进一阶段关系检测网络，直接提取<人，物>二元组，再通过 cascade 结构判定关系，给出<人，物，关系>三元组。策略上，我们通过视觉特征判定动作关系，空间位置作为输入辅助判定空间关系。

3. 基于统计偏置的生成策略：我们在生成最终的人物交互关系组时，采用了融合<人，物，关系>三者共生概率和统计偏置加权的多种策略。

▐  可应用的场景

视频人物交互关系检测，检测视频中动态的<人，物，关系>的结构化信息，未来可应用于视频信息结构化，人机交互等应用场景。

▐  赛事链接

1. Challenge:https://homeactiongenome.org/results.html

2. Workshop:http://activity-net.org/challenges/2021/challenge.html

除上述 3 项冠军以外，我们也在 Hotel-ID 2021-Hotel Recognition Challenge 比赛中取得第二名，以及在 Evoked Expressions from Videos (EEV) Challenge 比赛中取得第三名的好成绩，在多媒体算法领域内排名前列。

淘系技术多媒体算法参赛团队表示：“随着视频流量在媒体表征方面占比越来越高，视频信息对个人和平台而言，都存在信息过载的问题。视频内容的多维度结构化表示将会是视觉领域的热点研究方向之一。未来我们也会融合文本、语音和视觉等多模态的信息做好视频内容理解，让用户可以更多看到自己喜欢的内容，降低用户信息选择的时间成本，为用户带来更好的视觉体验”。