近日，全球计算机视觉顶级会议ICCV2019 (International Conference on Computer Vision，国际计算机视觉大会)官方网站公布了论文的最终录用结果，我院梁雪峰教授，王爽教授和焦李成教授指导的2篇论文入选。其中一篇被录用为Oral，另一篇为Poster。第一作者和第一学生作者分别为博士生权豆和硕士生李彦锋。

ICCV2019将于10月29日至11月2日在韩国首尔COEX会议中心召开。今年大会共收到4303篇有效提交论文，相比上届增加了100%，总共录用了1077篇论文，录取率约为25.02%。其中890篇为Poster,187篇为Oral, Oral文章录取率仅为4.3%。

ICCV的全称是IEEE International Conference on Computer Vision，即国际计算机视觉大会，由IEEE主办，与计算机视觉模式识别会议（CVPR）和欧洲计算机视觉会议（ECCV）并称计算机视觉方向的三大顶级会议，被澳大利亚ICT学术会议排名和中国计算机学会等机构评为最高级别学术会议，在业内具有极高的评价。不同于在美国每年召开一次的CVPR和只在欧洲召开的ECCV，ICCV在世界范围内每两年召开一次。ICCV会议时间通常在四到五天，相关领域的专家将会展示最新的研究成果。

口头发表论文“AFD-Net: Aggregated Feature Difference Learning for Cross-Spectral Image Patch Matching”提出了一种聚合特征差异的学习网络AFD-Net,其利用多级特征差异来解决图像块匹配任务。同时，为了保持跨域特征的不变性，作者利用IN和BN去除异源图像之间的差异性，并且保持特征的判别性。AFD-Net使用间隔余弦损失函数（LMCL）来优化网络，进一步提升了网络特征的判别性，很好地解决了异源和同源图像块匹配问题，并有效提升了匹配精度。

海报发表论文“Better and Faster: Exponential Loss for Image Patch Matching”提出了一种基于triplet和Siamese的指数损失。该损失相比于线性损失函数，可以对困难程度各异的训练样本施加对应的权重，即减少简单样本的权重，更关注困难样本，从而加快网络收敛。此外，该损失可以同时运用于度量学习和描述子学习网络中。为了更好的利用困难样本，该方法同时挖掘困难正、负样本。结合困难样本挖掘策略，指数损失在同源、异源图像块匹配任务以及图像检索任务中都取得了较好的提升。