3月2日，庞彦伟教授课题组在物体检测和分割方面的两篇论文被国际顶级会议IEEE International Conference on Pattern Recognition and Pattern Recognition (CVPR)正式录用。CVPR在谷歌学术发布的2018年全球学术出版物重要指数排名中位列第20名（第1、3名分别是Nature和Science）。

物体检测和分割是无人车、无人艇、无人机等自主智能系统的核心技术，而精度和效率是决定基于深度学习的物体检测和分割方法在自主智能系统中能否成功应用的关键因素。庞彦伟课题组围绕这两个重要因素取得了新的研究进展。

Y. Pang,T. Wang, R. M. Anwer, F. S. Khan, and L. Shao, “Efficient Featurized ImagePyramid Network for Single Shot Detector,” CVPR, 2019.

一、深度神经网络对输入图像进行深层非线性特征提取。由于该深层特征（可称为深特征）强大的抽象表达能力，使物体检测性能相比传统基于手工设计统计特征方法有质的提高。那么，底层特征或浅特征是否还有价值，如何充分利用浅特征？为了回答该问题，庞彦伟教授和硕士生汪天才等提出了一个全新的轻量级特征化图像金字塔网络，该网络可以高效地提取浅特征。同时提出了一种特征注意力模型用浅特征对深特征进行有效增强。在超过已知同期最高检测精度前提下，将物体检测速度提高到每秒111帧。

二、物体检测算法不能识别路面、海面、草地、便道、天空等不能用包围框表达的可行驶区域和背景。解决该问题的一个直接方法是单独构建一个用于图像语义分割的深度卷积神经网络。然而，该方法势必使系统的效率成倍下降。为了解决该问题，国家博士后创新人才支持计划获得者曹家乐及其导师庞彦伟教授等提出了一套新的检测-分割互增强机制，构建了新的网络架构：TripleNet。由于TripleNet仅在训练时在若干层上同时施加检测、多类分割、前-背景分割约束，而在测试阶段并不需在这些层上进行多任务处理，所以在同时显著提高检测精度和分割精度的情况下几乎没有增加计算代价。

J. Cao,Y. Pang*, and X. Li, “Triply supervised decoder networks for joint detectionand segmentation,” in Proc. CVPR, 2019.

上述工作得到国家自然基金重点项目“面向无人驾驶汽车的恶劣天气环境下视觉计算技术”资助。