点击上方
↑↑↑
“
OpenCV书院
量子位
授权
CVPR 2020中选论文放榜后，最新开源项目合集也来了。
本届CPVR共接纳6656篇论文，中选1470篇，“中标率”只要22%，可谓十年来最难的一届。
刨去承受率低这件事，从论文自身动身，在中选论文中仍是有许多值得咱们去学习和学习的精品。
今天GitHub上便呈现了一个项目，将本届CVPR论文开源项目做了个调集。
本文便依据此GitHub项目，对中选CVPR 2020论文的开源项目做了收拾，主要内容如下：
方针检测
论文标题：
Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
本文首要指出了依据锚点检测与无锚点检测的本质区别，在于怎么界说正、负练习样本，然后导致两者之间的功能距离。
研究人员提出了一种自适应练习样本挑选 (ATSS)，依据方针的核算特征主动挑选正样本和负样本。它显著地提高了依据锚点和无锚点探测器的功能，并弥补了两者之间的距离。
最终，还评论了在图画上每个方位平铺多个锚点来检测方针的必要性。
https://arxiv.org/abs/1912.02424
代码：
https://github.com/sfzhang15/ATSS
方针盯梢
论文标题：
MAST: A Memory-Augmented Self-supervised Tracker
(注：不确定是否中选)
这篇论文提出了一种密布的视频盯梢模型 (无任何注释)，在现有的基准上大大超过了之前的自监督办法(+15%)，并完成了与监督办法适当的功能。
首要通过深化的试验，从头评价用于自监督练习和重建丢失的传统挑选。其次，通过运用一个重要的内存组件来扩展架构，然后进一步改善现有的办法。然后，对大规模半监督视频方针切割进行了基准测验，提出了一种新的衡量办法：可泛化 (generalizability)。
https://arxiv.org/abs/2002.07793
代码：
https://github.com/zlai0/MAST
实例切割
论文标题：
PolarMask: Single Shot Instance Segmentation with Polar Representation
本文提出了PolarMask办法，是一种single shot的实例切割结构。PolarMask依据FCOS，把实例切割一致到了FCN的结构下。
FCOS本质上是一种FCN的dense prediction的检测结构，能够在功能上不输anchor based的方针检测办法。
奉献在于，把更杂乱的实例切割问题，转化成在网络规划和核算量杂乱度上和物体检测相同杂乱的使命，把对实例切割的建模变得简略和高效。
https://arxiv.org/abs/1909.13226
代码：
https://github.com/xieenze/PolarMask
其他论文：
CenterMask : Real-Time Anchor-Free Instance Segmentation
https://arxiv.org/abs/1911.06667
代码：
https://github.com/youngwanLEE/CenterMask
Deep Snake for Real-Time Instance Segmentation
https://arxiv.org/abs/2001.01629
代码：
https://github.com/zju3dv/snake
NAS
论文标题：
CARS: Continuous Evolution for Efficient Neural Architecture Search
在本文中，研究人员开发了一种高效的接连演化办法来查找神经网络。
通过0.4天的GPU接连查找，能够生成多个模型巨细和功能不同的神经网络。这些网络超过了基准ImageNet数据集上最先进办法发生的网络。
https://arxiv.org/abs/1909.04977
代码(行将开源)：
https://github.com/huawei-noah/CARS
人脸表情辨认
论文标题：
Suppressing Uncertainties for Large-Scale Facial Expression Recognition
本文提出了一种简略而有用的自修正网络(SCN)，它能有用地按捺不确定性，避免深度网络对不确定的人脸图画进行过拟合。
https://arxiv.org/abs/2002.10392
代码(行将开源)：
https://github.com/kaiwang960112/Self-Cure-Network
人体姿势估量
2D人体姿势估量
论文标题：
The Devil is in the Details: Delving into Unbiased Data Processing for Human Pose Estimation
人体要害点检测问题的数据处理，以为它是算法的一个极其重要的组成部分。
在体系地剖析这个问题的时分，发现现有的一切的state-of-the-art在这个环节上都会存在两个方面的问题：一个是在测验过程中，假如运用flip ensemble时，由翻转图画得到的成果和原图得到的成果并不对齐。别的一个是运用的编码解码(encoding-decoding)办法存在较大的核算差错。
这两个问题耦合在一起，发生的影响包含：估量的成果不精确、复现目标困难、有较大或许使得试验的成果定论不可靠。
https://arxiv.org/abs/1911.07524
代码：
https://github.com/HuangJunJie2017/UDP-Pose
其他论文：
Distribution-Aware Coordinate Representation for Human Pose Estimation
https://arxiv.org/abs/1910.06278
代码：
https://github.com/ilovepose/DarkPose
3D人体姿势估量
论文标题：
VIBE: Video Inference for Human Body Pose and Shape Estimation
因为缺少用于练习的ground-truth三维运动数据，现有的依据视频的最先进的办法无法生成精确和天然的运动序列。
为了处理这个问题，本文提出了身体姿势和形状估量的视频推理(VIBE)，它使用了现有的大型动作捕捉数据集(AMASS)和未配对的、in-the-wild 2D要害点注释。
要害立异是一个对抗性学习结构，它使用AMASS来区别实在的人类动作和由时刻姿势、形状回归网络发生的动作。
https://arxiv.org/abs/1912.05656
代码：
https://github.com/mkocabas/VIBE
其他论文：
Compressed Volumetric Heatmaps for Multi-Person 3D Pose Estimation
暂无
代码：
https://github.com/anonymous-goat/CVPR-2020
