摘要：
无人驾驶飞行器 (UAV)，也称为无人机，由于能够从空中捕获高质量的多媒体数据，近年来变得越来越流行。 随着航空摄影、电影摄影和测绘等多媒体应用的兴起，无人机已成为收集丰富多样的多媒体内容的强大工具。 本次研讨会旨在汇集对无人机多媒体感兴趣的研究人员、从业者和爱好者，共同探索这一令人兴奋的领域的最新进展、挑战和机遇。 研讨会将涵盖与无人机多媒体相关的各种主题，包括航拍图像和视频处理、无人机数据分析的机器学习、无人机群技术以及基于无人机的多媒体应用。 在 ACM 多媒体会议的背景下，该研讨会具有高度相关性，因为来自无人机的多媒体数据正成为许多多媒体应用程序越来越重要的内容来源。 研讨会将为研究人员提供一个分享工作和讨论潜在合作的平台，同时也为从业者提供了解无人机多媒体技术最新发展的机会。
总的来说，本次研讨会将提供一个独特的机会来探索令人兴奋和快速发展的无人机多媒体领域及其对更广泛的多媒体社区的潜在影响。
workshop主页：GitHub - layumi/ACMMM2023Workshop: ACM MM2023 Workshop on UAVs in Multimedia: Capturing the World from a New Perspective
时间节点：
* Workshop Papers Submission: 5 July 2023
* Workshop Papers Notification: 30 July 2023
* Student Travel Grants Application Deadline: 5 August 2023
* Camera-ready Submission: 6 August 2023
* Conference Dates: 28 October 2023 – 3 November 2023
Please note: The submission deadline is at 11:59 p.m. of the stated deadline date [Anywhere on Earth](Anywhere on Earth - exact time now - Time.is)
主题：
可能的主题列表包括但不限于：
-
基于视频的无人机导航
卫星制导和地面制导导航
路径规划和避障
视觉 SLAM（同时定位和映射）
用于导航的传感器融合和强化学习
-
无人机群协调
多平台协作
多主体协作与通信
分散控制和优化
分布式感知和映射
-
基于无人机的目标检测和跟踪
鸟瞰目标检测、跟踪和重识别
鸟瞰动作识别
-
基于无人机的传感和测绘
3D 映射和重建
遥感与影像分析
灾难响应和救援
-
基于无人机的交付和运输
包裹递送和物流
基于无人机的运输的安全和法规
提交类型：
论文可以在通过 [Open Review](ACMMM 2023 Workshop UAVs in Multimedia) 上提交。提交模板可以在 ACM 找到，或者您可以直接按照Overleaf(Overleaf, Online LaTeX Editor)的模板进行操作。
在本次研讨会中，我们欢迎四种类型的提交，所有这些都应与第 3 节中列出的主题和主题相关：
(1). 立场或观点论文（最多 4 页，加上不限页数的参考文献）：可解释推荐系统评估方法领域的原创想法、观点、研究愿景和开放挑战；
(2). Challenge papers (up to 4 pages length, plus unlimited pages for references): Challenge数据的原始解决方案，University160k，在有效性和效率方面。
(3). 特色论文（论文的标题和摘要，加上原始论文）：已经发表的论文或总结与研讨会主题相关的主要会议和高影响力期刊上现有出版物的论文；
(4). 演示论文（最多 2 页，加上不限页数的参考文献）：多媒体无人机领域的原始或已发布的原型和操作评估方法。 页数限制包括图表和附录。 提交的内容应该是单盲的，用英文撰写，并根据当前的 ACM 两栏会议格式进行格式化。 合适的 LaTeX、Word 和 Overleaf 模板可从 ACM 网站获得（使用 LaTeX 的“sigconf”会议记录模板和 Word 的临时模板）。
挑战赛：
我们还提供了一个具有挑战性的跨视图地理定位数据集，称为 University160k，研讨会观众可以考虑参加比赛。 动机是模拟我们通常面对一个非常大的卫星视图池的真实世界地理定位场景。 特别是，University160k 使用额外的 167,486 个卫星视图画廊干扰项扩展了当前的 University-1652 数据集。 我们将在我们的网站上发布 University160k，并制作一个公共排行榜。 这些干扰卫星视图图像的大小为 1024×1024，是通过切割真实城市和周边地区的正射影像获得的。 更大的图像尺寸保证了更高的图像清晰度，而更宽的取景范围允许图像包含更多不同的场景，例如建筑物、城市道路、树木、田野等（见图3）。 在我们的初步评估中，干扰项具有挑战性，并使竞争性基线模型 LPN 在无人机→卫星任务中将 Recall@1 的准确率从 75.93% 降低到 64.85%，并将 AP 的值从 79.14% 降低到 67.69%（ 请参见表 2)。 我们希望能有更多的观众参与来解决这个挑战，也可能会考虑针对大型候选池的效率问题。 在 https://zdzheng.xyz/files/ACMMM23_Workshop_Drone.pdf 的第 5 部分查看挑战详情 。
挑战数据集包含两部分。
-
基础数据集（训练/测试集）可以通过Request (University1652-Baseline/Request.md at master · layumi/University1652-Baseline) 下载。 通常我会在5分钟内回复下载链接。
-
干扰数据集（添加到卫星图库）可以从 Onedrive (OneDrive for Business) 或百度网盘（https://pan.baidu.com/s/15TDqJIkEVv2r1fWlLQFLPw 代码：78xf）下载。
学生旅行奖金：
Please check STUDENT TRAVEL GRANTS - ACM MM 2023
Application Deadline: August 5, 2023
最后感谢大家看完，欢迎点赞转发～～ 也欢迎关注我的其他文章和回答：
ACM Multimedia2020｜从零开始无人机定位 - 知乎
IJCV | 利用Uncertainty修正Domain Adaptation中的伪标签 - 知乎
