1st Place Solution for PSG competition with ECCV'22 SenseHuman Workshop
Xiaohongshu Inc（小红书公司）；Institute of Optics and Electronics, Chinese Academy of Sciences（中国科学院光电技术研究所）
全景场景图（PSG）生成的目的是基于全景分割而不是刚性边界框来生成场景图表示。现有的PSG方法利用一个阶段的范例，同时产生场景图和预测语义分割掩模或两个阶段的范例，首先采用现成的全景分割器，然后对这些预测对象之间的关系预测。单阶段方法尽管具有简化的训练范例，但其分割结果通常不令人满意，而两阶段方法缺乏全局上下文，导致关系预测性能低下。为了弥补这一差距，在本文中，我们提出了GRNet，一个全球关系网络在两个阶段的范例，其中预提取的本地对象的功能和相应的面具被送入一个Transformer类嵌入。为了处理长尾分布引起的关系歧义和谓词分类偏差，我们将第二阶段的关系预测制定为带有软标签的多类分类任务。我们在OpenPSG数据集上进行了全面的实验，并在leadboard上实现了最先进的性能。我们还显示了我们的软标签策略在消融研究中的长尾类的有效性。我们的代码已在https://github.com/wangqixun/mfpsg上发布。
2023-02-06 cs.CV
First Place Solution to the ECCV 2024 BRAVO Challenge: Evaluating Robustness of Vision Foundation Models for Semantic Segmentation
Eindhoven University of Technology（埃因霍温理工大学）
本研究提出ECCV 2024 BRAVO语义分割挑战赛冠军方案，通过在DINOv2上附加简单分割解码器并全模型微调，利用视觉基础模型的强表征，在Cityscapes训练、多分布外数据集测试的鲁棒性评测中超越复杂现有方法夺冠。
2024-10-08 cs.AI cs.CV cs.LG
Synthetic Occlusion Augmentation with Volumetric Heatmaps for the 2018 ECCV PoseTrack Challenge on 3D Human Pose Estimation
RWTH Aachen University（亚琛工业大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
在本文中，我们介绍了我们在2018年ECCV PoseTrack挑战赛中关于3D人体姿势估计的获奖作品。使用完全卷积的主干架构，我们获得每个身体关节的体积热图，我们使用soft-argmax将其转换为坐标。通过1D热图预测头估计绝对人中心深度。坐标被反向投影到3D相机空间，在那里我们最小化L1损失。我们获得良好结果的关键是使用Pascal VOC数据集随机放置的封堵器进行训练数据增强。除了在挑战赛中获得第一名之外，我们的方法还超越了在训练中不使用额外姿势数据集的方法中完整的Human3.6M基准测试的最先进水平。应用合成遮挡的代码可在https://github.com/isarandi/synthetic-occlusion上获得。
2018-11-06 cs.CV cs.RO
CapMap-MS-TTA: 3rd Place Solution for the MUMU Track of the 8th LSVOS Challenge at ECCV 2026
Netease YiDun AI Lab（网易易盾AI实验室）
提出基于 Florence-2 的无训练方案 CapMap-MS-TTA，通过关键词映射和多尺度翻转 TTA 统一解决 MUMU 赛道三项任务，分数从 15.16 提升至 16.4815，获第三名。
2026-09-17 cs.AI cs.CV
"Knights": First Place Submission for VIPriors21 Action Recognition Challenge at ICCV 2021
Center for Research in Computer Vision (CRCV), University of Central Florida（中佛罗里达大学计算机视觉研究中心）；Indian Institute of Technology, Kanpur（坎普尔印度理工学院）
本技术报告介绍了我们的方法“骑士”，以解决动作识别任务的一个小子集的动力学-400即动力学400 ViPriors不使用任何额外的数据。我们的方法有3个主要组成部分：最先进的时间对比自监督预训练，视频Transformer模型和光流模态。随着标准测试时间增强的使用，我们提出的解决方案在Kinetics 400 ViPriors测试集上达到了73%，这是数据高效计算机视觉动作识别挑战赛ICCV 2021中所有其他参赛作品中最好的。
2021-10-14 cs.CV
The Runner-up Solution for YouTube-VIS Long Video Challenge 2022
Huazhong University of Science and Technology（华中科技大学）；ByteDance Inc.（字节跳动公司）；Johns Hopkins University（约翰斯·霍普金斯大学）
本技术报告介绍了我们为ECCV 2022 YouTube-VIS长视频挑战赛提供的第二名解决方案。我们采用先前提出的在线视频实例分割方法IDOL的这一挑战。此外，我们使用伪标签来进一步帮助对比学习，从而获得更多时间上一致的实例嵌入，以提高帧间的跟踪性能。所提出的方法在YouTube-VIS 2022长视频数据集上获得40.2 AP，并在该挑战中排名第二。我们希望我们简单而有效的方法可以帮助进一步的研究。
2022-11-18 cs.CV
1st Place Solution of The Robust Vision Challenge 2022 Semantic Segmentation Track
Johns Hopkins University（约翰斯·霍普金斯大学）；Fudan University（复旦大学）；NVIDIA（英伟达）
本报告介绍了ECCV 2022上鲁棒视觉挑战赛（RVC）语义分割赛道的获奖解决方案。我们的方法采用FAN-B-Hybrid模型作为编码器，并使用SegFormer作为分割框架。该模型是在一个复合数据集上训练的，该数据集由来自9个数据集（ADE 20 K，Cityscapes，Mapillary Vistas，ScanNet，VIPER，WildDash 2，IDD，BDD和COCO）的图像组成，具有简单的数据集平衡策略。所有原始标签都被投影到一个256类的统一标签空间，并使用交叉熵损失来训练模型。在没有显著的超参数调整或任何特定的损失加权的情况下，我们的解决方案在多个领域（ADE 20 K、Cityscapes、Mapillary Vistas、ScanNet、VIPER和WildDash 2）的所有测试语义分割基准测试中排名第一。所提出的方法可以作为一个强大的基线的多领域分割任务，有利于未来的工作。代码将在https://github.com/lambert-x/RVC_Segmentation上提供。
2022-11-07 cs.CV
2nd Place Solution for ICCV 2021 VIPriors Image Classification Challenge: An Attract-and-Repulse Learning Approach
Hikvision Research Institute（海康威视研究院）；Zhejiang University（浙江大学）
卷积神经网络（CNN）通过利用大规模数据集在图像分类方面取得了显著的成功。然而，如何在小规模数据集上有效地从头开始学习仍然是一个巨大的挑战。在有限的训练数据集下，类别的概念将是模糊的，因为过度参数化的CNN倾向于简单地记住数据集，导致泛化能力差。因此，研究如何在避免过度拟合的同时学习更多的判别表示是至关重要的。由于类别的概念往往是模糊的，因此捕捉更多的个人信息是很重要的。因此，我们提出了一个新的框架，称为吸引和排斥，它包括对比正则化（CR），以丰富的功能表示，对称交叉熵（SCE），以平衡不同类别的拟合和平均教师校准标签信息。具体来说，SCE和CR学习歧视性的表示，同时减轻过度拟合的类（吸引）和实例（排斥）之间的信息的自适应权衡。之后，Mean Teacher通过校准更准确的软伪标签来进一步提高性能。大量的实验验证了吸引-排斥框架的有效性。结合其他策略，如积极的数据增强，TenCrop推理和模型集成，我们在ICCV 2021 VIPriors图像分类挑战赛中获得第二名。
2022-06-13 cs.CV
1st Place Solution to ECCV 2022 Challenge on Out of Vocabulary Scene Text Understanding: End-to-End Recognition of Out of Vocabulary Words
ByteDance Inc.（字节跳动公司）
场景文本识别近年来引起了越来越多的兴趣，由于其在多语言翻译，自动驾驶等方面的广泛应用，在这份报告中，我们描述了我们的解决方案，以词汇场景文本理解（OOV-ST）的挑战，其目的是从自然场景图像中提取词汇（OOV）的话。我们基于oCLIP的模型在h-mean中达到28.59\%，在ECCV 2022 TiE研讨会的OOV Challenge端到端OOV单词识别轨道中排名第一。
2022-09-01 cs.CV
The 1st-place Solution for ECCV 2022 Multiple People Tracking in Group Dance Challenge
MEGVII Technology（旷视科技）；Shanghai Jiao Tong University（上海交通大学）
我们提出了我们的第一位解决方案，以集体舞多人跟踪挑战。根据MOTR：使用Transformer的端到端多对象跟踪，我们探索：1）检测查询作为锚点，2）跟踪作为查询去噪，3）在CrowdHuman数据集生成的伪视频片段上进行联合训练，以及4）使用YOLOX检测建议进行检测查询的锚点初始化。我们的方法在DanceTrack测试集上实现了73.4%HOTA，超过了第二名的解决方案+6.8%HOTA。
2022-10-27 cs.CV
1st Place Solution to ECCV-TAO-2020: Detect and Represent Any Object for Tracking
Alibaba Group（阿里巴巴集团）；Cainiao Inc.（菜鸟公司）
我们将经典的跟踪检测范式扩展到跟踪任何对象的任务。首先从TAO数据集中提取固体检测结果。在检测过程中集成了一些最先进的技术，如\textbf{G} group \textbf{S} oftmax（\textbf{BAGS} \cite{li2020overcoming}）和DetectoRS \cite{qiao2020detectors}。然后，我们通过训练特征学习网络来学习表示任何对象的外观特征。我们集成几个模型，以提高检测和特征表示。最后应用具有最相似外观特征的简单链接策略和tracklet级后关联模块来生成最终跟踪结果。我们的方法作为\textbf{AOA}在攻毒网站上提交。代码可在https://github.com/feiaxyt/Winner_ECCV20_TAO上获得。
2021-02-01 cs.CV
The Second-place Solution for ECCV 2022 Multiple People Tracking in Group Dance Challenge
Fujitsu Research（富士通研究所）
这是我们在ECCV 2022集体舞挑战赛中获得第二名的解决方案。我们的方法主要包括两个步骤：使用级联缓冲区IoU（C-BIoU）跟踪器进行在线短期跟踪，以及使用外观特征和层次聚类进行离线长期跟踪。我们的C-BIoU跟踪器增加了缓冲区来扩展检测和跟踪的匹配空间，这从两个方面减轻了不规则运动的影响：一是直接匹配相邻帧中相同但不重叠的检测和跟踪，另一个是补偿匹配空间中的运动估计偏差。此外，为了降低匹配空间过度扩展的风险，采用级联匹配：首先用小缓冲器匹配活动轨迹和检测，然后用大缓冲器匹配不匹配的轨迹和检测。在使用我们的C-BIoU进行在线跟踪之后，我们应用了ReMOTS引入的离线细化。
2022-12-06 cs.CV
The 2nd Solution for LSVOS Challenge RVOS Track: Spatial-temporal Refinement for Consistent Semantic Segmentation
Applied Artificial Intelligence Institute, Deakin University（迪肯大学应用人工智能学院）
针对RVOS模型在长时序下语义分割掩码不一致的问题，提出利用SAM-v2的跟踪能力增强时序一致性的方法，在ECCV 2024 LSVOS挑战赛RVOS赛道取得第二名。
2024-08-22 cs.CV
First Place Solution to the ECCV 2024 ROAD++ Challenge @ ROAD++ Atomic Activity Recognition 2024
Inspur (Beijing) Electronic Information Industry Co., Ltd.（浪潮（北京）电子信息产业有限公司）
针对道路场景原子活动识别的小目标、类别区分及过拟合问题，团队构建多分支识别框架，结合多策略模型集成与数据增强方法，在ECCV 2024 ROAD++挑战赛第3赛道获第一名，mAP达69%。
2024-10-30 cs.CV
1st Place Solution for ECCV 2022 OOD-CV Challenge Image Classification Track
Hikvision Research Institute（海康威视研究院）；Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Zhejiang University（浙江大学）
OOD-CV挑战是一个分布外泛化任务。在这个挑战中，我们的核心解决方案可以概括为，噪声标签学习是一个强大的测试时领域自适应优化器。简而言之，我们的主要管道可以分为两个阶段，一个预训练阶段的领域泛化和领域自适应的测试时训练阶段。我们只利用标记的源数据在预训练阶段，只利用未标记的目标数据在测试时训练阶段。在预训练阶段，我们提出了一种简单而有效的掩码级复制粘贴数据增强策略，以增强分布外泛化能力，从而抵抗形状，姿态，上下文，纹理，遮挡和天气领域的变化。在测试时训练阶段，使用预训练好的模型为未标记的目标数据分配噪声标签，并提出了一种用于噪声标签学习的Label-Periodically-Updated DivideMix方法。在集成了测试时增强和模型包围策略后，我们的解决方案在OOD-CV挑战赛的图像分类排行榜上名列第一。代码将在https://github.com/hikvision-research/OOD-CV上发布。
2023-01-12 cs.CV
Runner-Up Solution to ECCV 2022 Challenge on Out of Vocabulary Scene Text Understanding: Cropped Word Recognition
ByteDance Inc.（字节跳动公司）
本报告介绍了我们在ECCV 2022挑战词汇外场景文本理解（OOV-ST）方面的第二名解决方案：裁剪单词识别。这项挑战是在ECCV 2022关于一切文本（TiE）的研讨会上举行的，该研讨会旨在从自然场景图像中提取词汇外的单词。在比赛中，我们首先在合成数据集上预训练SCATTER，然后通过数据增强在训练集上微调模型。与此同时，另外两个模型专门针对长文本和垂直文本进行训练。最后，我们将不同模型的输出与不同的层、不同的主干和不同的种子相结合，作为最终结果。当只考虑词汇表外的单词时，我们的解决方案实现了59.45%的单词准确率。
2022-08-31 cs.CV
First Place Solution to the ECCV 2024 ROAD++ Challenge @ ROAD++ Spatiotemporal Agent Detection 2024
Inspur (Beijing) Electronic Information Industry Co., Ltd.（浪潮（北京）电子信息产业有限公司）
本研究针对2024年ECCV ROAD++挑战赛时空智能体检测任务的多项难点，设计了极端尺寸检测头、带低光增强流的双流模型、多分支框架及配套优化策略，最终在赛道1测试集夺冠，平均视频mAP达30.82%。
2024-10-30 cs.CV
KVeil: First-Place Solution to ECCV 2026 LifeGenIP Challenge on Unlearnable Videos
Nanyang Technological University（南洋理工大学）；Wuhan University（武汉大学）；SiliconProspect AI（硅景人工智能）；Tsinghua University（清华大学）
该研究提出ECCV 2026 LifeGenIP不可学习视频挑战赛的第一名方案，通过两层框架结合参考容量崩溃等技术，实现面部视频的高效隐私保护。
2026-10-12 cs.CV
1st Place Solution of Multiview Egocentric Hand Tracking Challenge ECCV2024
Jiiov Technology（极视角科技）
本研究针对多视角第一人称手部跟踪任务，提出结合裁剪抖动、外参噪声增强与离线神经平滑后处理的方法，在Umetrack和HOT3D数据集上分别取得13.92mm、21.66mm的MPJPE，获ECCV2024相关挑战赛第一名。
2024-10-08 cs.AI cs.CV
3rd Place Solution to Human Motion Challenges in Real-World and Clinical Settings (MoCha) @ECCV2026: Language-Aligned Motion Representations for Domain-Generalizable UPDRS-Gait Severity Estimation
UNIST（蔚山国立科学技术院）
本文提出语言对齐的运动表示方法，结合 Bi-GRU、文本对齐训练、领域自适应与参数合并，实现领域泛化的 UPDRS-步态严重程度评估，在 MoCha 挑战赛中以 637K 参数取得宏 F1 0.57，排名第三。
2026-09-11 cs.CV
CSS-Segment: 2nd Place Report of LSVOS Challenge VOS Track
Xidian University（西安电子科技大学）
本文介绍了团队“yuanjie”在 ECCV 2024 第六届 LSVOS Challenge VOS Track 中提出的 CSS-Segment 视频目标分割方法，该方法在复杂运动和长视频场景下表现优异，最终以 80.84 的 J&F 分数获得第二名。
2024-08-24 cs.CV
Transformer-based Action recognition in hand-object interacting scenarios
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院（UNIST））
本报告介绍了ECCV 2022人体、手和活动（HBHA）的第二名解决方案，该解决方案来自以自我为中心和多视角相机挑战赛：动作识别。这项挑战旨在从自我中心的角度认识手与物体的互动。我们提出了一个框架，估计关键点的两只手和一个对象与基于transformer的关键点估计器和识别行动的基础上估计的关键点。我们在测试集上取得了87.19%的前1准确率。
2022-10-20 cs.CV
UnconFuse: Avatar Reconstruction from Unconstrained Images
OPPO Research Institute（OPPO研究院）；University of Pittsburgh（匹兹堡大学）；Xidian University（西安电子科技大学）
该报告为ECCV 2022 WCPA Challenge：From Face，Body and Fashion to 3D虚拟角色I（track 1：Multi-View Based 3D Human Body Reconstruction）提出了一种基于多个无约束帧的3D人体重建的有效解决方案。我们重现了MVP-Human中提出的重建方法作为我们的基线，并针对这一挑战的特殊性进行了一些改进。我们最终在官方测试集上获得了0.93分，获得了排行榜第一名。
2022-11-18 cs.CV
1st Place Solution to the 8th HANDS Workshop Challenge -- ARCTIC Track: 3DGS-based Bimanual Category-agnostic Interaction Reconstruction
UNIST（蔚山国家科学技术研究院）
针对ECCV 2024第8届HANDS挑战赛ARCTIC赛道的双手类别无关手物交互重建任务，提出结合掩码损失、3D接触损失的3DGS方案，在测试集主指标CD$_h$达38.69获第一名。
2024-10-07 cs.CV
SAM3Dual: A 3rd Place Solution to the MOSEv2 Track, 8th LSVOS Challenge
Chung-Ang University（中央大学）
该研究提出SAM3Dual作为第8届LSVOS挑战赛MOSEv2赛道第3名方案，通过无训练推理扩展SAM 3，划分时序内存分支并融合，获J&F分数64.37，实现高效长期VOS性能。
2026-08-25 cs.CV
Competitive Memory Readout for Robust Video Object Segmentation: 2nd Place Technical Report for the MOSEv2 Track of the 8th LSVOS Challenge
School of Computer Science, University of Sheffield（谢菲尔德大学计算机学院）；Department of Automation, Tsinghua University（清华大学自动化系）
本研究针对第8届LSVOS挑战赛MOSEv2赛道提出基于SAM~3的改进方法，通过竞争性记忆读出机制提升鲁棒视频目标分割性能，获该赛道第2名。
2026-08-25 cs.CV
VOS-Agent: The 1st Place Solution for the 8th LSVOS Challenge (MOSEv2 Track)
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Nanyang Technological University（南洋理工大学）；Shenzhen Loop Area Institute（深圳河套学院）
针对复杂视频目标分割中微小目标、语义主导目标的稳健传播难题，本文提出VOS-Agent协作框架，以SAM3为共享密集分割模块，根据目标特征激活专用智能体，在ECCV 2026第8届LSVOS挑战赛MOSEv2赛道获第一名，J&JF指标达69.82%。
2026-08-14 cs.CV
GOLF: Global Observation with Local Focus for Calibration-Aware Stereo Interaction Field Estimation
JIIOV Technology（极米科技（JIIOV））
GOLF通过融合全局上下文、局部采样和Plücker射线几何，利用DINOv3 ViT-H+/16与LoRA联合解码交互场，在SHOW3D挑战赛中以27.82毫米ADE获第一名。
2026-09-17 cs.CV
Transformer-based Global 3D Hand Pose Estimation in Two Hands Manipulating Objects Scenarios
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）
本报告介绍了我们针对ECCV 2022人体、手部和活动（HBHA）挑战的第一名解决方案，该挑战来自以自我为中心和多视角相机（手部姿势估计）。在这个挑战中，我们的目标是从输入图像中估计全局3D手部姿势，其中双手和物体在以自我为中心的观点上进行交互。我们提出的方法通过Transformer架构进行端到端的多手姿态估计。特别是，我们的方法鲁棒地估计在两只手相互作用的情况下的手部姿势。此外，我们提出了一种算法，认为手尺度鲁棒地估计绝对深度。即使每个人的手的大小不同，所提出的算法也能很好地工作。我们的方法达到14.4毫米（左）和15.9毫米（右）的误差为每只手在测试集。
2022-10-20 cs.CV
2nd Place Solution to the HANDS 2026 Workshop Challenge-Dexterous Grasp Motion Track: Single-Shot Trajectory Warping for Grasp Motion Generation
UNIST（蔚山科学技术院）；University of Aberdeen（阿伯丁大学）；Fogsphere (Redev AI Ltd, UK)（Fogsphere（英国Redev AI有限公司））
针对灵巧抓取运动生成，提出基于单次轨迹扭曲的方法，编辑单个演示而非逐步生成，结合并行单步 PPO 训练，在 HANDS 2026 挑战赛中获得第二名，简单赛道成功率最高。
2026-09-21 cs.AI cs.CV cs.RO
Hard to Track Objects with Irregular Motions and Similar Appearances? Make It Easier by Buffering the Matching Space
Fujitsu Research（富士通研究所）
针对不规则运动、外观相似目标的多目标跟踪难题，提出级联缓冲IoU跟踪器，通过扩展匹配空间减轻运动影响，采用级联匹配避免过扩展，在相关数据集和挑战赛中取得优异成绩。
2023-11-07 cs.CV cs.MM
