LNL增强 带有噪声标签的学习的增强策略代码（CVPR 2021）。 ： *， *， ， [ * ：] 抽象的不完美的标签在现实世界的数据集中无处不在。 训练对标签噪声具有鲁棒性的训练深度神经网络（DNN）的几种最新成功方法已经使用了两种主要技术：基于在预热阶段的损失来过滤样本以整理一组干净标签的样本，以及使用网络的输出作为后续损失计算的伪标签。 在本文中，我们评估了用于解决“带有噪声标签的学习”问题的算法的不同扩充策略。 我们提出并研究了多种扩充策略，并使用基于CIFAR-10和CIFAR-100的合成数据集以及真实数据集Clothing1M对其进行了评估。 由于这些算法的几种共通性，我们发现使用一组扩充进行损失建模任务而使用另一组扩充进行学习是最有效的，可以改进最新技术和其他先前方法的结果。 此外，我们发现在预热期间应用扩增可能会对正确标记和错误标记的样本的损失收敛行为产

CVPR 2021 论文

2019-2020图像修复、补全；17篇自己收集下载的CVPR论文+一篇 19年 图像修复review,有条件的自行搜索论文题目下载即可，懒得自己搜索的可以下载这个哈，私信找我发邮件也是可以的；

不断学习的增量学习者 存储我在博士学位论文（2019-）期间完成的所有公共作品的存储库。 您可以在其中找到已知的实现（iCaRL等），也可以找到我的所有论文。 您可以在我的找到后者的列表。 结构体 每个模型都必须继承inclearn.models.base.IncrementalLearner 。 PODNet：用于小任务增量学习的合并输出提炼 ] 如果您在研究中使用本文/代码，请考虑引用我们： @inproceedings{douillard2020podnet, title={PODNet: Pooled Outputs Distillation for Small-Tasks Incremental Learning}, author={Douillard, Arthur and Cord, Matthieu and Ollion, Charles and R

使用Tensorflow进行光流预测 此存储库提供了基于DesSun的精彩论文“ PWC-Net：使用金字塔，扭曲和成本量进行光流的CNN”的基于TensorFlow的实现。 （CVPR 2018）。 已经有一些尝试使用TensorFlow实施PWC-Net。 但是，它们要么使用本文CNN网络的过时架构，要么仅提供TF推断（不提供TF训练），要么仅在Linux平台上工作，并且不支持多GPU训练。 此实现同时提供基于TF的训练和推理。 它具有可移植性：因为它不使用任何基于CUDA的动态加载的TensorFlow用户操作，因此可以在Linux和Windows上运行。 它还支持多GPU训练（此处

RDN 该存储库是。 要求 PyTorch 1.0.0 脾气暴躁的1.15.4 枕头5.4.1 h5py 2.8.0 tqdm 4.30.0 火车 可以从下面的链接下载转换为HDF5的DIV2K，Set5数据集。 数据集 规模 类型 关联 DIV2K 2个 火车 DIV2K 3 火车 DIV2K 4 火车 第5集 2个 评估 第5集 3 评估 第5集 4 评估 否则，您可以使用prepare.py创建自定义数据集。 python train.py --train-file " BLAH_BLAH/DIV2K_x4.h5 " \ --eval-file " BLAH_BLAH/Set5_x4.h5 " \ --outputs-dir " BLAH_BLAH/outputs " \

3DIoUMatch 介绍 新闻：我们的论文已被CVPR 2021接受！ 这是我们的论文3DIoUMatch：利用IoU预测进行半监督3D对象检测的代码的预发布。 （arXiv报告）。 在此存储库中，我们提供了基于和3DIoUMatch实现（带有Pytorch），以及基于SUNRGB-D和ScanNet的培训和评估脚本。 请参阅我们的以获取更多信息。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @article{wang20203dioumatch, title={3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection}, author={Wang, He and Cong, Yezhen and Litany, Or and Gao, Yue and Guib

mmTransformer的正式实现： 堆叠式变压器的多峰运动预测。 （CVPR 2021）[] [] 代码将于4月发布。 引文 如果您发现我们的工作对您的研究有用，请考虑引用该论文 @article{liu2021multimodal, title={Multimodal Motion Prediction with Stacked Transformers}, author={Liu, Yicheng and Zhang, Jinghuai and Fang, Liangji and Jiang, Qinhong and Zhou, Bolei}, journal={Computer Vision and Pattern Recognition}, year={2021} }

从单个图像去除雨滴的细心生成对抗网络（CVPR'2018） ， ，嘉俊苏和 （TBA） （TBA）（CVPR'18聚光灯） 抽象的 附着在玻璃窗或相机镜头上的雨滴会严重妨碍背景场景的可见性，并严重降低图像质量。 在本文中，我们通过目视去除雨滴，从而将雨滴降级的图像转换为干净的图像来解决该问题。 这个问题是棘手的，因为首先没有给出被雨滴遮挡的区域。 第二，关于被遮挡区域的背景场景的信息在很大程度上被完全丢失。 为了解决该问题，我们使用对抗训练来应用细心的生成网络。 我们的主要思想是将视觉注意力注入到生成网络和判别网络中。 在培训期间，我们的视觉注意力会了解雨滴区域及其周围的环境。 因此，通过注入此信息，生成网络将更加关注雨滴区域和周围的结构，而判别网络将能够评估恢复区域的局部一致性。 除了去除雨滴外，对生成网络和判别网络的视觉注视也是本文的另一项贡献。 我们的实验证明了我们方法的有

MSBDN-DFF CVPR 2020文件的源代码“多尺度提振除雾网络与密集特征融合”，由，，，项蕾，，王飞， 更新 （2020.12.28）发布培训脚本和改进的模型。 依存关系 Python 3.6 PyTorch> = 1.1.0 火炬视觉 麻木 skimage h5py 的MATLAB 测试 将和下载到MSBDN-DFF/models和MSBDN-DFF/文件夹中。 在命令行上使用cuda运行MSBDN-DFF/test.py ： MSBDN-DFF/ $python test.py --checkpoint path_to_pretrained_model 除雾后的图像将保存在测试仪的目录中。 火车 我们发现训练图像的选择在训练阶段起着重要的作用，因此我们提供了HDF5格式的训练集： （Password： v8ku ） 将HDF5文件下载到path_to_data