創新是企業發展的核心，關鍵創新更是企業騰飛的重中之重。AI時代技術進步日新月異，對社會的生產、生活方式乃至疫情防控都產生著深刻影響，而每一次重大技術突破都離不開理論進步的支撐。多維視通專注于視頻偵查技術行業十余年來，始終秉承“產、學、研、用”發展理念，從《警用影像處理技術手冊》、《視頻人像檢驗鑒定手冊》、《影像篡改檢驗分析手冊》等專業書籍編撰出版，到前沿算法研究、專業論文發表、技術應用研發再到專業產品打造，為公司帶來長久發展的同時也給行業帶來一次次重要突破。值此黨的99周年華誕之際，多維視通AI研究中心又有兩篇專業論文入選ICIP 2020、IJCNN 2020，以此為賀！

1.基于運動掩膜的車輛檢測（Illuminating vehicles with motion priors for surveillance vehicle detection）

車輛檢測是目標檢測在交通監控視頻場景下的一個子應用。在一段交通監控視頻序列中，車輛在道路上快速移動而背景靜止，幀內像素的這種速度差異一定程度上和車輛與背景的語義相一致，因此可以提取運動掩膜來增強前景車輛的特征表達。論文中我們提出一種創新型處理方法并在監控視頻UA-DETRAC數據集上驗證了該方法，在速度和精度上取得了較好結果。

2.通過量化敏感度指導的進化搜索實現深度神經網絡的混合精度量化（Mixed Precision Quantization of DNNs via Sensitivity Guided Evolutionary Search）

網絡量化可以在不修改網絡結構的前提下有效地降低計算和內存成本，有助于在邊緣設備上部署復雜的深度神經網絡模型。但是大多數方法通常需要耗時的訓練或者微調，并且需要訪問原始訓練數據集。然而由于隱私或安全等問題，無法獲得完整數據集。筆者在圖像分類和目標檢測任務上進行了大量實驗，包括ImageNet上的ResNet18/50/101、SqueezeNet、ShuffleNetV2和MobileNetV2，以及PASCAL VOC上的SSD-VGG和SSD-ResNet50。實驗結果表明本文的方法可以明顯的改善性能，并且優于現有的后訓練量化方法。