近期，2020年的国际计算机视觉与模式识别会议（IEEE Conference on Computer Vision and Pattern Recognition，CVPR）以线上的方式召开，我中心吕凤毛老师题为“Cross-domain semantic segmentation via domain-invariant interactive relation transfer”的学术论文在会议上发表，论文的合作作者包括来自腾讯的算法研究员Tao Liang、Xiang Chen以及来自新加坡南洋理工大学的Guosheng Lin教授。

图像语义分割是计算机视觉中的一项重要研究课题，旨在让计算机识别出图像中各个像素点所表示的语义类别。为了降低图像语义分割技术的数据标注负担，越来越多的语义分割模型利用逼真的合成图像进行训练。但是，由于合成图像与真实图像之间存在较大的数据分布差异，当利用合成图像（源域）训练的模型被直接应用于真实场景（目标域）时，模型的泛化性能往往会大幅降低。因此，有关图像语义分割的领域自适应技术具有重要的研究意义。在领域自适应中，训练数据包括带有标记的源域数据和未带标记的目标域数据，最终目的是希望得到可以在目标域数据上表现良好的模型。之前的领域自适应方法通常利用领域对抗训练校准源域数据与目标域数据在网络中间层上的分布差异，学习可迁移的网络中间层表示，但是，对抗训练的引入会使得模型的优化变得非常复杂，增加调参难度。本文从全新的角度出发，首先对目标域图像的图像级类别信息进行推断，并利用图像级类别信息与像素级类别信息之间的视觉关系，构造可迁移的枢纽知识。为此，作者提出了一种多级别的区域扩展机制，将图像级类别信息与像素级类别信息在类别激活层（Class Activation Map，CAM）上通过加权重构的方式进行关联，从而使得目标域能够根据图像级类别信息有效推断出各个像素点的语义类别。该方法能够在多个数据集上取得当前最优的性能。

    此外，吕凤毛老师另有三篇题为“Constructing self-motivated pyramid curriculums for cross-domain semantic segmentation: a non-adversarial approach”、“Tree relation reasoning for compositional visual question answering”和“Can cross entropy loss be robust to label noise”的学术论文分别被ICCV 2019、ECCV 2020和IJCAI 2020接收。CVPR、ICCV和ECCV是计算机视觉的三大顶级会议，IJCAI是人工智能顶级会议，其中CVPR在谷歌学术搜索的h5指数位于计算机学术期刊/会议首位，在所有国际学术期刊/会议中排名前十。