近日，世界三大顶级视觉会议之一ICCV（计算机视觉国际大会International Conference on Computer Vision）公开了最新录用结果。天翼交通和清华大学等单位联合署名的论文《Degradation-Resistant Unfolding Network for Heterogeneous Image Fusion》被接收。
异构图像融合（HIF,Heterogeneous Image Fusion）技术旨在通过合并不同传感器捕获的图像互补信息来提高图像质量。例如夜晚，可见光图像和红外图像融合可以大幅提升车辆、行人等目标检测精度。该论文引入了一种新颖的抗降解性 HIF模型，并推导了其优化程序。然后，它将优化展开过程合并到提出的DeRUN中进行端到端训练。为了确保 DeRUN的鲁棒性和效率，采用联合约束策略和轻量级部分权重共享模块。DeRUN在智能交通领域的RoadScene等多个任务上取得国际领先水平，并且计算和内存成本更低。
一篇被接收的论文，是天翼交通聚力研发的一个缩影。这一年来，天翼交通持续蓄力，多项研究成果受到国际顶级学术会议/期刊认可，达到世界领先水平，并且在实际应用中得到验证，加速车路云一体化自动驾驶产业的关键技术迭代。
2023年6月，全世界最大、也是最全面的信号处理及其应用方面的顶级会议——ICASSP在希腊举行（International Conference on Acoustics, Speech and Signal Processing即国际声学、语音与信号处理会议）。天翼交通和清华大学联合发表论文《A Two-branch network for video anomaly detection with spatio-temporal feature learning》。
视频异常检测非常具有挑战性，因为大多数异常都很罕见且不确定，例如城市道路上交通事故的概率很低。常见的弱监督学习方法利用视频训练的分类器级别标签来定位视频中的异常片段。然而，异常片段往往既包含异常内容，又包含大量不相关的背景行为，增加了检测难度。本论文提出了一个两分支网络来分别获取全局和每个局部对象的运动信息。这种局部和全局的感知突出了目标的特征。本文进一步提出了一种时空关系网络，基于注意力机制来建模不同对象的空间关系和不同片段之间的时间相关性。在近似车路协同固定观测视角的UCF-Crime等公开数据集中，该方法取得了国际领先的性能。
2023年2月，天翼交通联合哈佛大学等单位，在国际著名期刊《Neurocomputing》(最新影响因子6.0)，发表了一篇论文《Inducing semantic hierarchy structure in empirical risk minimization with optimal transport measures》。交叉熵损失可以说是深度学习最重要的经验风险最小化目标分类的判别模型，并在许多应用，如自动驾驶、智能交通等领域取得了显着成功。尽管交叉熵损失被广泛采用，但它本质上忽略了类别之间的相关性，可能影响后续决策。例如，将车辆与动物/行人混淆可以导致比不同的车辆（汽车、公共汽车或卡车）错分更严重的后续后果，特别是自动驾驶的后续决策处理。本文能够按照分层语义风险的先验，在最佳运输测量中预先定义地面距离矩阵。使用语义树结构进行大规模图像分类，如Stanford Cars等数据集，以即插即用的方式展示了方法优越的性能。
在车路协同目标检测和分类领域，天翼交通已经成为业内标杆之一；而在产业应用方面，天翼交通围绕着具有中国特色的车路云一体化发展路径的“苏州实践”也在国内实现领跑。智能交通产业的发展与崛起是一场马拉松，技术、产品、服务与应用等仍有大量的攻关需求和储备空间，需要持续进行长期投入，对于天翼交通来说，技术积累的每一步都是未来突破的基石，也是支撑行业构建技术竞争力，推进数字交通、数字城市、数字中国建设的重要力量。来源：搜狐
