3、NTIRE 2020 ：Perceptual Extreme Super－Resolution Challenge PSNR冠军

图像超分辨率是一项关键的计算机视觉任务，其目的是恢复低分辨的图像内容，填充丢失的信息，以实现获得一张高清的大分辨率图像。团队主要关注PSNR指标，在PSNR指标上，团队取得第一名的成绩，并且超越了去年的冠军方案。

难点：

本次赛题对单张图像以及极端超分辨率提出了挑战，即基于一组的低分辨率和相应的高分辨率图像，以x16的放大因子对输入图像进行超分辨率（提高分辨率）。

应用场景：图像复原

4、Plant Pathology 2020 － FGVC7 亚军

本赛题旨在通过计算机视觉的方法，解决以下问题：

1）准确地判断叶片是否健康

2）对于不健康的叶片，判断其疾病的类别，有时一个叶片可能有多种疾病

难点：

1）数据集中涵盖了不同的叶片的角度、光照、形状、叶片年龄，数据相对复杂，对模型效果影响较大；

2）数据集中的疾病包含一些罕见的疾病，和一些新的症状，对模型提出新的挑战。

应用场景：农业病虫害分类

5、iMet Collection 2020 － FGVC7 亚军

本赛题需要将纽约大都会艺术博物馆中超过20万件藏品的数字化图像进行细粒度分类。

难点：

1）数据集总类别数比较多，超过3000个类别

2）图片尺度分布差异比较大

应用场景：博物馆、图书馆等馆藏分类及搜索

6、BDD100K Multiple Object Tracking Challenge 亚军

BDD100K是CVPR2020 Autonomous Driving WorkShop的一部分，是在最多样化的驾驶条件下的大规模跟踪挑战任务。

难点：

需要参赛者预测出视频中物体在时间维度上的关联，主办方提供了2000个40秒在一天中的不同天气条件下的完整注释序列，数据集提供了具有复杂遮挡和消失物体重新出现的多种驾驶场景，需要为开发的MOT算法在真实场景中的可靠性提供了一个很好的测试场景。

应用场景：自动驾驶，Domain Adaption方向

7、Pixel SkelNetOn 季军

像素骨架提取分析能对不同目标的二值化掩码进行细化，克服传统方法人工设置参数的不便。

难点：

如何从少量样本中准确提取不同形状的的骨架，存在一定的挑战性。

应用场景：图像细化

8、DeepFashion2 －－ Track 2 Clothes Retrieval 季军

由于在产业中的巨大潜力，时尚图像检索成为了活跃的研究课题。

难点：

DeepFashion2数据集包含 49．1 万张图像，13 种流行的服饰类别，拥有最丰富的任务定义和最大数量的标签，由于巨大的变形、遮挡，以及消费者和商业图像之间存在的服装域的差异，如何进行准确的服装搜索是一个大的挑战。

应用场景：电商平台服饰检索功能

9、LIP－－Track 3 Image－based Multi－pose Virtual Try－on Challenge 季军

此任务针对基于图像的多姿势虚拟试穿。要求给定输入的人图像，以及期望的服装图像和人体姿态，要求参与者设计算法以将期望的服装转移到人图像并操纵人的姿势。

难点：

1）多姿态虚拟试穿，以往会有相关算法要求固定输入图片的姿势，而此赛道姿势各异，不仅要考虑到服装因素，还需考虑姿态因素。

2）生成算法较难收敛，容易导致loss爆炸。

应用场景：服饰行业的虚拟试穿

10、iMaterialist （Fashion） 2020 at FGVC7 季军

本赛题通过时装界和计算机视觉界的联合，引入一个新的细粒度分割任务。提出的任务将服装属性的分类和服装部件分割统一起来，这是迈向实际应用的重要一步。

难点：

服装视觉分析需要能够从图片中识别服装产品及其相关属性，让设计师了解人们喜欢什么样的产品及服装搭配，提高时尚专业人士的工作效率，进一步可以增强消费者的购物体验。

应用场景：服装辅助设计领域