3、NTIRE 2020 ：Perceptual Extreme Super－Resolution Challenge PSNR冠軍

圖像超分辨率是一項(xiàng)關(guān)鍵的計(jì)算機(jī)視覺任務(wù)，其目的是恢復(fù)低分辨的圖像內(nèi)容，填充丟失的信息，以實(shí)現(xiàn)獲得一張高清的大分辨率圖像。團(tuán)隊(duì)主要關(guān)注PSNR指標(biāo)，在PSNR指標(biāo)上，團(tuán)隊(duì)取得第一名的成績(jī)，并且超越了去年的冠軍方案。

難點(diǎn)：

本次賽題對(duì)單張圖像以及極端超分辨率提出了挑戰(zhàn)，即基于一組的低分辨率和相應(yīng)的高分辨率圖像，以x16的放大因子對(duì)輸入圖像進(jìn)行超分辨率（提高分辨率）。

應(yīng)用場(chǎng)景：圖像復(fù)原

4、Plant Pathology 2020 － FGVC7 亞軍

本賽題旨在通過計(jì)算機(jī)視覺的方法，解決以下問題：

1）準(zhǔn)確地判斷葉片是否健康

2）對(duì)于不健康的葉片，判斷其疾病的類別，有時(shí)一個(gè)葉片可能有多種疾病

難點(diǎn)：

1）數(shù)據(jù)集中涵蓋了不同的葉片的角度、光照、形狀、葉片年齡，數(shù)據(jù)相對(duì)復(fù)雜，對(duì)模型效果影響較大；

2）數(shù)據(jù)集中的疾病包含一些罕見的疾病，和一些新的癥狀，對(duì)模型提出新的挑戰(zhàn)。

應(yīng)用場(chǎng)景：農(nóng)業(yè)病蟲害分類

5、iMet Collection 2020 － FGVC7 亞軍

本賽題需要將紐約大都會(huì)藝術(shù)博物館中超過20萬(wàn)件藏品的數(shù)字化圖像進(jìn)行細(xì)粒度分類。

難點(diǎn)：

1）數(shù)據(jù)集總類別數(shù)比較多，超過3000個(gè)類別

2）圖片尺度分布差異比較大

應(yīng)用場(chǎng)景：博物館、圖書館等館藏分類及搜索

6、BDD100K Multiple Object Tracking Challenge 亞軍

BDD100K是CVPR2020 Autonomous Driving WorkShop的一部分，是在最多樣化的駕駛條件下的大規(guī)模跟蹤挑戰(zhàn)任務(wù)。

難點(diǎn)：

需要參賽者預(yù)測(cè)出視頻中物體在時(shí)間維度上的關(guān)聯(lián)，主辦方提供了2000個(gè)40秒在一天中的不同天氣條件下的完整注釋序列，數(shù)據(jù)集提供了具有復(fù)雜遮擋和消失物體重新出現(xiàn)的多種駕駛場(chǎng)景，需要為開發(fā)的MOT算法在真實(shí)場(chǎng)景中的可靠性提供了一個(gè)很好的測(cè)試場(chǎng)景。

應(yīng)用場(chǎng)景：自動(dòng)駕駛，Domain Adaption方向

7、Pixel SkelNetOn 季軍

像素骨架提取分析能對(duì)不同目標(biāo)的二值化掩碼進(jìn)行細(xì)化，克服傳統(tǒng)方法人工設(shè)置參數(shù)的不便。

難點(diǎn)：

如何從少量樣本中準(zhǔn)確提取不同形狀的的骨架，存在一定的挑戰(zhàn)性。

應(yīng)用場(chǎng)景：圖像細(xì)化

8、DeepFashion2 －－ Track 2 Clothes Retrieval 季軍

由于在產(chǎn)業(yè)中的巨大潛力，時(shí)尚圖像檢索成為了活躍的研究課題。

難點(diǎn)：

DeepFashion2數(shù)據(jù)集包含 49．1 萬(wàn)張圖像，13 種流行的服飾類別，擁有最豐富的任務(wù)定義和最大數(shù)量的標(biāo)簽，由于巨大的變形、遮擋，以及消費(fèi)者和商業(yè)圖像之間存在的服裝域的差異，如何進(jìn)行準(zhǔn)確的服裝搜索是一個(gè)大的挑戰(zhàn)。

應(yīng)用場(chǎng)景：電商平臺(tái)服飾檢索功能

9、LIP－－Track 3 Image－based Multi－pose Virtual Try－on Challenge 季軍

此任務(wù)針對(duì)基于圖像的多姿勢(shì)虛擬試穿。要求給定輸入的人圖像，以及期望的服裝圖像和人體姿態(tài)，要求參與者設(shè)計(jì)算法以將期望的服裝轉(zhuǎn)移到人圖像并操縱人的姿勢(shì)。

難點(diǎn)：

1）多姿態(tài)虛擬試穿，以往會(huì)有相關(guān)算法要求固定輸入圖片的姿勢(shì)，而此賽道姿勢(shì)各異，不僅要考慮到服裝因素，還需考慮姿態(tài)因素。

2）生成算法較難收斂，容易導(dǎo)致loss爆炸。

應(yīng)用場(chǎng)景：服飾行業(yè)的虛擬試穿

10、iMaterialist （Fashion） 2020 at FGVC7 季軍

本賽題通過時(shí)裝界和計(jì)算機(jī)視覺界的聯(lián)合，引入一個(gè)新的細(xì)粒度分割任務(wù)。提出的任務(wù)將服裝屬性的分類和服裝部件分割統(tǒng)一起來，這是邁向?qū)嶋H應(yīng)用的重要一步。

難點(diǎn)：

服裝視覺分析需要能夠從圖片中識(shí)別服裝產(chǎn)品及其相關(guān)屬性，讓設(shè)計(jì)師了解人們喜歡什么樣的產(chǎn)品及服裝搭配，提高時(shí)尚專業(yè)人士的工作效率，進(jìn)一步可以增強(qiáng)消費(fèi)者的購(gòu)物體驗(yàn)。

應(yīng)用場(chǎng)景：服裝輔助設(shè)計(jì)領(lǐng)域