全球AI论文“高引用转化率”排名出炉，旷视位列国内第一，全球第二
全球每年新增的AI论文数量庞大，在哪些机构或国家（地区）发表的AI论文最具影响力仍是一个值得探讨的话题？近日有 reports指出，在由美国Zeta Alpha平台基于近三年年度被引用次数最多的核心论文进行系统性研究后发现，在经过标准化评估后的影响力排序中 openness人工智能 ranked first, Beihang University 排名第二, DeepMind获得第三位
共有两篇论文上榜，在 2023 年度 influential papers 的精选名单上。其中来自旷视研究院的研究团队有两项成果入选：一是发表于 CVPR 顶会的《大型卷积神经网络核的设计研究》，排名全球第二十九位；二是发布于 ECCV 大会的《基于位置编码变换的多视角三维物体检测技术》，位列全球第八第十位。
（Zeta Alpha详尽版本报告请访问详尽版本报告查看The 100 Most-Cited AI Papers of 2022）
基础模型科研可被视为 AI 创新突破的关键根基，在旷视研究院中，则秉持长期主义的发展理念，在原创性研究、实用性解决方案与本质性探索的基础上确立基础科研的战略方向。该机构致力于通过持续投入实现人工智能领域最根本性的技术突破。
旷视研究院的基础模型研究主要聚焦于通用图像大模型、视频理解大模型、计算摄影大模型以及自动驾驶感知四大技术方向，并已取得显著科研成就。在通用图像领域方面，在这一前沿领域中, 旷视研究院成功开发了包括RepLKNet等创新性研究工作, 同时也开发了具有独特优势的RevCol 模型架构, 显著降低了大规模语言模型（LLM）的训练所需硬件资源消耗. 在自动驾驶感知领域, 该研究团队提出了一系列先进的 大规模预训练语言模型 (PTLLM)系列, 包括基于LargeKernel3D框架构建的BEVDepth 3D检测系统, 在多维度性能指标上均表现优异.
目前，在ICCV、CVPR、ECCV等国际学术会议及期刊上发表论文200余篇，在各类国际人工智能顶级赛事中取得了56项世界冠军或最高荣誉。
以下为入选 Zeta Alpha 2022 年引用量 Top100 名单的 2 篇论文介绍，Enjoy。
《Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs》
将卷积核加大到 31x31：重新探索采用大卷积核设计的卷积神经网络
论文链接： _https://arxiv.org/pdf/2203.06717.pdf_
GitHub 地址： https: //github.com/megvii-research/RepLKNet
一作论文解读：
_https://zhuanlan.zhihu.com/p/481445076_
论文简介：我们对现代卷积神经网络中大尺寸卷积核的设计进行了深入研究。其尺寸参数已成为影响网络性能的关键设计因素之一。在现代结构设计的作用下，超大尺寸的卷积核不仅提升了性能（即"涨点"），而且具有很高的效率。值得注意的是，在某些情况下（如达到 31×31 的尺寸时）仍表现出色。通过一系列探索实验，我们总结出在现代模型中应用大尺寸卷积核的五项关键准则：引入shortcut连接、采用深度可分离卷积技术以及进行针对性优化；同时通过小尺寸卷积核实现参数精简；在此基础上提出了一种创新的网络架构 named RepLKNet。该架构主要采用了远超传统小尺寸卷积核的策略，在大量实验中展现出显著优势，并在多个下游任务中超越或与现有的Swin模型不相上下。
PETR: A Position Encoding Strategy for Multi-View Representation of 3D Objects in Recognition Tasks
基于3D位置编码的多视角3D目标检测
论文地址： _https://arxiv.org/pdf/2203.05625.pdf_
GitHub 地址： _https://github.com/megvii-research/PETR_
论文简介
作为一家独立运营的公司级研发机构，旷视研究院承担着推动公司技术创新的重要职责。它通过持续进行基础创新以突破人工智能技术的局限性，并利用工程化创新将技术转化为实际应用。经过多年的建设和发展，旷视研究院已经成为国际上在计算机视觉和人工智能领域具有领先地位的研究机构。目前而言，其科研成果涵盖了多个重要领域：包括AI生产力平台Brain++ 、开源深度学习框架旷视天元MegEngine、AI算法生产平台AI Service以及移动端高效的卷积神经网络ShuffleNet等创新技术和产品。
