İçbükey tapınaktan on üç Qubit Raporu | Genel Hesap QbitAI
CVPR 2020'de seçilen makaleler yayınlandıktan sonra, açık kaynak projelerin en son koleksiyonu da burada.
Bu CPVR, 1.470'i seçilmiş olmak üzere toplam 6.656 bildiri aldı. "Başarılı teklif oranı" yalnızca% 22'dir ve çağrılabilir On yılın en zor seansı .
Düşük kabul oranından kurtulmak için, kağıdın kendisinden başlayarak, seçilen makaleler arasında hala referans ve öğrenmeye değer birçok mükemmel eser bulunmaktadır.
Bugün, GitHub'da bu CVPR kağıt açık kaynak projesini bir araya getiren bir proje ortaya çıktı.
Bu GitHub projesine dayanarak, bu makale CVPR 2020 makalesi için seçilen açık kaynaklı projeleri düzenlemektedir. Ana içerikler aşağıdaki gibidir:
Deneme konusu:
Uyarlanabilir Eğitim Örneği Seçimi ile Çapa Tabanlı ve Çapasız Algılama Arasındaki Boşluğu Kapatma
Bu makale ilk olarak, pozitif ve negatif eğitim örneklerinin nasıl tanımlanacağında yatan ve ikisi arasındaki performans boşluğuna yol açan çapa tabanlı algılama ve çapa dışı algılama arasındaki temel farka işaret ediyor.
Araştırmacılar bir Uyarlanabilir eğitim örneği seçimi (ATSS), nesnenin istatistiksel özelliklerine göre otomatik olarak pozitif örnekleri ve negatif örnekleri seçer. Çapa tabanlı ve çapa tabanlı olmayan dedektörlerin performansını önemli ölçüde artırır ve ikisi arasındaki boşluğu doldurur.
Son olarak, hedefi tespit etmek için görüntüdeki her bir konumda birden fazla çapa noktasının döşenmesi gerekliliğini tartışır.
Kağıt adresi: https://arxiv.org/abs/1912.02424
Kod: https://github.com/sfzhang15/ATSS
Deneme konusu:
MAST: Bellek Artırılmış Kendi Kendini Denetleyen Bir İzleyici (Not: Seçilip seçilmediğinden emin değilim)
Bu makale, bir Yoğun video izleme modeli (Herhangi bir not olmadan), mevcut kıyaslamada önceki kendi kendini denetleyen yöntemi (+% 15) büyük ölçüde aşar ve denetlenen yöntemle karşılaştırılabilir bir performans elde eder.
İlk olarak, derinlemesine deneyler yoluyla, kendi kendini denetleyen eğitim ve yeniden yapılandırma kaybı için geleneksel seçenekleri yeniden değerlendirin. İkinci olarak, mevcut yöntemi daha da iyileştirmek için önemli bir bellek bileşeni kullanarak mimariyi genişletin. Daha sonra, büyük ölçekli yarı denetimli video nesnesi segmentasyonunda bir karşılaştırma testi gerçekleştirildi ve yeni bir ölçüm yöntemi önerildi: Genelleştirilebilir (genelleştirilebilirlik).
Kağıt adresi: https://arxiv.org/abs/2002.07793
Kod: https://github.com/zlai0/MAST
Deneme konusu:
PolarMask: Kutupsal Gösterimli Tek Atışlı Örnek Segmentasyonu
bu sayfada PolarMask Yöntem, tek seferlik bir örnek segmentasyon çerçevesidir. PolarMask, FCOS'a dayanır ve bulut sunucusu segmentasyonunu FCN çerçevesi altında birleştirir.
FCOS, esasen, çapa tabanlı hedef tespit yöntemlerinin performansını kaybedemeyen, FCN'nin yoğun tahmininin bir tespit çerçevesidir.
Katkı, daha karmaşık örnek bölümleme problemini, ağ tasarımı ve hesaplama karmaşıklığı açısından nesne algılama kadar karmaşık bir göreve dönüştürmek ve örnek bölümlemenin modellemesini basit ve verimli hale getirmektir.
Kağıt adresi: https://arxiv.org/abs/1909.13226
Kod: https://github.com/xieenze/PolarMask
Diğer belgeler:
CenterMask: Gerçek Zamanlı Bağlantısız Örnek Segmentasyonu
Kağıt adresi: https://arxiv.org/abs/1911.06667
Kod: https://github.com/youngwanLEE/CenterMask
Gerçek Zamanlı Örnek Segmentasyonu için Derin Yılan
Kağıt adresi: https://arxiv.org/abs/2001.01629
Kod: https://github.com/zju3dv/snake
Deneme konusu:
CARS: Verimli Sinir Mimarisi Araması için Sürekli Evrim
Bu makalede, araştırmacılar sinir ağlarını aramak için verimli bir sürekli evrim yöntemi geliştirdiler.
En son yinelemede, bir süpernetteki popülasyon paylaşım parametrelerindeki mimari, birkaç çağ içeren bir eğitim veri setinde ayarlanacaktır. Bir sonraki evrimsel yinelemedeki arama, doğrudan süperneti ve popülasyonu devralacak ve optimum ağın oluşumunu hızlandıracak. Baskın olmayan sıralama stratejisi daha da benimsenir ve süperneti doğru bir şekilde güncellemek için yalnızca Pareto sınır sonuçları saklanır.
0,4 günlük kesintisiz GPU aramasından sonra, farklı model boyutları ve performansa sahip birden çok sinir ağı oluşturulabilir. Bu ağlar, karşılaştırmalı ImageNet veri kümesindeki en gelişmiş yöntemlerle üretilen ağları aşmaktadır.
Kağıt adresi: https://arxiv.org/abs/1909.04977
Kod (yakında açık kaynak): https://github.com/huawei-noah/CARS
Deneme konusu:
Büyük Ölçekli Yüz İfadesi Tanıma için Belirsizlikleri Bastırma
Bu makale, belirsizliği etkili bir şekilde bastırabilen ve derin ağın belirsiz yüz görüntüsüne fazla uymasını önleyebilen basit ve etkili bir kendi kendini onarma ağı (SCN) önermektedir.
Spesifik olarak, SCN belirsizliği iki farklı yönden bastırır: (1) Her bir eğitim numunesini sıralama düzenlenmesi yoluyla ağırlıklandıran küçük partilerdeki öz-dikkat mekanizması; (2) En alt sıradaki gruptaki yeniden etiketleme mekanizması Bu örneklerin etiketlerini değiştirin.
Kağıt adresi: https://arxiv.org/abs/2002.10392
Kod (yakında açık kaynak): https://github.com/kaiwang960112/Self-Cure-Network
Deneme konusu:
Şeytan Ayrıntılarda Gizlidir: İnsan Duruşu Tahmini için Tarafsız Veri İşleme
Tüm bilgisayarla görme görevlerinin veri işleme ile ilgilenmesi gerekir, ancak veri işleme, kilit nokta tespiti söz konusu olduğunda özellikle önemlidir. Kilit nokta tespit görevinde, veri işleme sistem tarafından öğrenilmemiştir, bu nedenle bu makale İnsan vücudunun anahtar nokta tespit probleminin veri işleme Algoritmanın son derece önemli bir parçası olduğu.
Bu problemi sistematik olarak analiz ederken, mevcut tüm sanat durumunun bu bağlantıda iki problemi olduğu bulunmuştur: Birincisi, test sürecinde, eğer çevirme grubu kullanılırsa, görüntü ters çevrilir. Elde edilen sonuç, orijinal görüntüde elde edilen sonuçla uyumlu değil. Diğeri, kullanılan kodlama-kod çözme yönteminin büyük istatistiksel hatalara sahip olmasıdır.
Bu iki sorun bir araya getirilmiştir ve etkiler şunları içerir: yanlış tahmin edilen sonuçlar, göstergelerin yeniden üretilmesindeki zorluk ve deneysel sonuçları güvenilmez hale getirme olasılığı daha yüksektir.
Kağıt adresi: https://arxiv.org/abs/1911.07524
Kod: https://github.com/HuangJunJie2017/UDP-Pose
Diğer belgeler:
İnsan Duruşu Tahmini için Dağılıma Duyarlı Koordinat Temsili
Kağıt adresi: https://arxiv.org/abs/1910.06278
Kod: https://github.com/ilovepose/DarkPose
Deneme konusu:
VIBE: İnsan Vücudu Duruşu ve Şekil Tahmini için Video Çıkarımı
Eğitim için temel gerçek üç boyutlu hareket verilerinin eksikliğinden dolayı, mevcut son teknoloji video tabanlı yöntemler doğru ve doğal hareket dizileri üretemez.
Bu sorunu çözmek için bu makale, mevcut büyük ölçekli hareket yakalama veri setini (AMASS) ve eşlenmemiş, vahşi 2D anahtar nokta açıklamalarını kullanan Vücut Duruşu ve Şekil Tahmini için Video Akıl Yürütme (VIBE) önermektedir.
Temel yenilik, gerçek insan eylemleri ile zaman duruşu tarafından üretilen eylemler arasında ayrım yapmak ve regresyon ağlarını şekillendirmek için AMASS'ı kullanan rakip bir öğrenme çerçevesidir.
Kağıt adresi: https://arxiv.org/abs/1912.05656
Kod: https://github.com/mkocabas/VIBE
Diğer belgeler:
Çok Kişili 3B Poz Tahmini için Sıkıştırılmış Hacimsel Isı Haritaları
Kağıt adresi: Hayır
Kod: https://github.com/anonymous-goat/CVPR-2020
Deneme konusu:
PointAugment: Point Cloud Sınıflandırması için Otomatik Artırma Çerçevesi
Bu makale, veri çeşitliliğini zenginleştirmek için sınıflandırma ağlarını eğitirken nokta bulutu örneklerini otomatik olarak optimize eden ve geliştiren yeni bir otomatik geliştirme çerçevesi olan PointAugment'ı önermektedir.
Şekil dönüşümü ve nokta yer değiştirmesi olan öğrenilebilir bir nokta geliştirme işlevi de kurulur.Sınıflandırıcının öğrenme sürecine göre, artırılmış örnekleri kullanmak için bir kayıp işlevi dikkatlice tasarlanır.
Kağıt adresi: https://arxiv.org/abs/2002.10876
Kod (yakında açık kaynak): https://github.com/liruihui/PointAugment/
Deneme konusu:
ABCNet: Uyarlanabilir Bezier-Eğrisi Ağı ile Gerçek Zamanlı Sahne Metin Tespiti
Bu makale, uyarlanabilir bir Bezier eğri ağı (ABCNet) önermektedir. Ana katkılar şunları içerir: (1) İlk kez, herhangi bir şeklin metnine uyarlamalı olarak uydurmak için parametreli bir Bezier eğrisi kullanılır; (2) Ayıklamak için yeni bir BezierAlign katmanı tasarlanmıştır. Rasgele şekillerin metin örneklerinin doğru evrişim özellikleri; yöntem, verimlilik ve doğruluk açısından avantajlara sahiptir.
Kağıt adresi: https://arxiv.org/abs/2002.10200
Kod (yakında açık kaynak): https://github.com/Yuliang-Liu/bezier_curve_text_spottinghttps://github.com/aim-uofa/adet
Deneme konusu:
Ağır Çekimde Yakınlaştırma: Hızlı ve Doğru Tek Aşamalı Uzay Zamanında Video Süper Çözünürlük
Bu makale, düşük kare hızı (LFR) ve düşük çözünürlüklü (LR) videodan yüksek çözünürlüklü (HR) ağır çekim video oluşturmayı amaçlayan uzay-zamansal videonun süper çözünürlük görevini tartışıyor.
Araştırmacılar, HR ağır çekim videoyu doğrudan sentezleyen LFR ve LR videosuna dayanan tek seviyeli uzay-zaman video süper çözünürlük çerçevesi önerdiler.
Ek olarak, deforme olabilen bir dışbükey STM, aynı zamanda küresel zamansal bağlamı daha iyi kullanmak için zamansal bilgileri hizalamak ve bir araya getirmek için önerilmektedir. Son olarak, derin rekonstrüksiyon ağı, HR ağır çekim video karelerini tahmin etmek için kullanılır.
Kağıt adresi: https://arxiv.org/abs/2002.11616
Kod: https://github.com/Mukosame/Zooming-Slow-Mo-CVPR-2020
Deneme konusu:
Ön eğitim yoluyla Görme ve Dil Gezinmesi için Genel Bir Aracı Öğrenmeye Doğru
Bu makale, görsel ve dil gezinti (VLN) görevleri için ilk ön eğitim ve ince ayar paradigmasını sunar.
Kendi kendine denetlenen bir öğrenme yönteminde çok sayıda görüntü-metin-eylem üçlüsü eğiterek, ön eğitim modeli görsel çevrenin ve dil talimatlarının genel bir temsilini sağlar.
Kağıt adresi: https://arxiv.org/abs/2002.10638
Kod (yakında açık kaynak): https://github.com/weituo12321/PREVALENT
GhostNet: Ucuz İşlemlerden Daha Fazla Özellik
Kağıt adresi: https://arxiv.org/abs/1911.11907
Kod: https://github.com/iamhankai/ghostnet
AdderNet: Derin Öğrenmede Gerçekten Çarpmalara İhtiyacımız Var mı?
Kağıt adresi: https://arxiv.org/abs/1912.13200
Kod: https://github.com/huawei-noah/AdderNet
Alan Doğrulaması ile Derin Görüntü Uyumlaştırma
Kağıt adresi: https://arxiv.org/abs/1911.13239
Kod: https://github.com/bcmi/Image_Harmonization_Datasets
Diğer GitHub kağıt proje adresleri:
https://github.com/charlesCXK/3D-SketchAware-SSC
https://github.com/Anonymous20192020/Anonymous_CVPR5767
https://github.com/avirambh/ScopeFlow
https://github.com/csbhr/CDVD-TSP
https://github.com/ymcidence/TBH
https://github.com/yaoyao-liu/mnemonics
https://github.com/meder411/Tangent-Images
https://github.com/KaihuaTang/Scene-Graph-Benchmark.pytorch
https://github.com/sjmoran/deep_local_parametric_filters
https://github.com/charlesCXK/3D-SketchAware-SSC
https://github.com/bermanmaxim/AOWS
Son olarak, bu proje resmi hesap CVer editörü Amusi tarafından düzenlenmiştir.Aynı zamanda, sorunları gönderebilir ve CVPR 2020 açık kaynak projesini paylaşabilirsiniz.
GitHub proje adresi: https://github.com/amusi/CVPR2020-Code
- Bitiş -
Qubit QbitAI · Toutiao İmzalı
Bize dikkat edin ve en son teknolojideki en son gelişmeleri alın