历年CVPR的论文及相应的代码 包含400篇CVPR2020论文及代码；48篇CVPR2020论文解读；CVPR2019全部论文和开源代码合集；CVPR2019所有论文下载，56篇精选解读；官方CVPR2019大会现场报告所有视频；CVPR2018论文及代码等

3D点云语义分割很少 由创建 介绍 该存储库包含由Na Na Zhao，Tat-Seng Chua和Gim Hee Lee撰写的CVPR 2021论文“”的PyTorch实现。 对点云语义分割的许多现有方法都进行了完全监督。 这些完全受监督的方法严重依赖于大量标记的训练数据，这些数据很难获得，并且不能在训练后泛化为看不见的课程。 为了减轻这些局限性，我们提出了一种新颖的关注感知的多原型转导性少击点云语义分割方法，以在给定一些标记示例的情况下对新类进行分割。 具体来说，每个类别都由多个原型代表，以对3D点云的复杂数据分布进行建模。 随后，我们采用转导标签传播方法来利用标记的多原型与未标记的查询点之间以及未标记的查询点之间的亲和力。 此外，我们设计了一个可引起注意的多层特征学习网络，以学习可捕获点之间语义相关性和几何相关性的判别性特征。 我们的方法在两个基准数据集上的不同的短镜头点云分割设置

Panoptic-DeepLab（CVPR 2020） Panoptic-DeepLab是最先进的自下而上的全景分割方法，其目的是为输入图像中的每个像素分配语义标签（例如人，狗，猫等）实例标签（例如ID为1、2、3等）到属于事物类别的像素。 这是我们基于Detectron2的CVPR2020论文的PyTorch重新实现： 。现在，此仓库中还支持使用DeepLabV3和DeepLabV3 +的细分模型！ 消息 [2021/01/25]在COCO实验的旧配置文件中发现了一个错误（对于COCO，需要将MAX_SIZE_TRAIN从640更改为960）。现在，我们还复制了COCO的结果（35.5 PQ）！ [2020/12/17]支持COCO数据集！ [2020/12/11]在Panoptic-DeepLab的Detectron2版本中支持DepthwiseSeparableConv2d。现

几篇CVPR关于multi-task的论文笔记整理，包括 一、 多任务课程学习Curriculum Learning of Multiple Tasks 1 --------------^CVPR2015/CVPR2016v--------------- 5 二、 词典对分类器驱动卷积神经网络进行对象检测Dictionary Pair Classifier Driven Convolutional Neural Networks for Object Detection 5 三、 用于同时检测和分割的多尺度贴片聚合（MPA）* Multi-scale Patch Aggregation (MPA) for Simultaneous Detection and Segmentation ∗ 7 四、 通过多任务网络级联实现感知语义分割Instance-aware Semantic Segmentation via Multi-task Network Cascades 10 五、 十字绣网络多任务学习Cross-stitch Networks for Multi-task Learning 15 --------------^CVPR2016/CVPR2017v--------------- 23 六、 多任务相关粒子滤波器用于鲁棒物体跟踪Multi-Task Correlation Particle Filter for Robust Object Tracking 23 七、 多任务网络中的全自适应特征共享与人物属性分类中的应用Fully-Adaptive Feature Sharing in Multi-Task Networks With Applications in Person Attribute Classification 28 八、 超越triplet loss：一个深层次的四重网络，用于人员重新识别Beyond triplet loss: a deep quadruplet network for person re-identification 33 九、 弱监督级联卷积网络Weakly Supervised Cascaded Convolutional Networks 38 十、 从单一图像深度联合雨水检测和去除Deep Joint Rain Detection and Removal from a Single Image 43 十一、 什么可以帮助行人检测？What Can Help Pedestrian Detection? （将额外的特征聚合到基于CNN的行人检测框架） 46 十二、 人员搜索的联合检测和识别特征学习Joint Detection and Identification Feature Learning for Person Search 50 十三、 UberNet：使用多种数据集和有限内存训练用于低，中，高级视觉的通用卷积神经网络UberNet: Training a Universal Convolutional Neural Network for Low-, Mid-, and High-Level Vision using Diverse Datasets and Limited Memory 62 一共13篇，希望能够帮助到大家

对CVPR2020文章列表进行分析，挖掘数据内在信息。使用爬虫获取文章标题和作者数据，并对数据进行分词，统计词频等分析处理。结合可视化技术对研究热点领域或词汇、论文篇数、高产作者数、论文标题等数据进行分析。对可视化的结果进行核心代码展示和解释说明。 报告使用了折线图，柱状图、饼状图、词云、关系图等可视化方式，对上述数据进行了包括时间维度上的不同角度的可视化处理，并讨论了其中蕴含的规律。

FusionGAN-Tensorflow 简单Tensorflow实施 （CVPR 2018） 要求 Tensorflow 1.8 Python 3.6 用法 ├── dataset    └── YOUR_DATASET_NAME    ├── trainA           ├── xxx.jpg (name, format doesn't matter) ├── yyy.png └── ...    ├── trainB ├── zzz.jpg ├── www.png └── ...    ├── testA    ├── aaa.jpg ├── bbb.png └── ...

固态继电器 PyTorch实施具有梯度引导的保留结构超分辨率（CVPR 2020）[ ] [ ] 如果您发现我们的工作对您的研究有用，请考虑引用： @inproceedings{ma2020structure, title={Structure-Preserving Super Resolution with Gradient Guidance}, author={Ma, Cheng and Rao, Yongming and Cheng, Yean and Chen, Ce and Lu, Jiwen and Zhou, Jie}, booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2020} } 依存关系 P

本文为大家整理了五篇CVPR 2020场景图神经网络（SGNN）相关论文，让大家先睹为快——3D语义分割、指代表达式推理、图像描述生成、图像处理、时空图。

CVPR2020 长尾分布的特征表示， 长尾分布在深度学习中的应用，论文推荐等的学习笔记 以及下一次分享时间。

在过去的几年里，基于深度学习的方法在图像理解问题上取得了令人印象深刻的效果，如图像分类、目标检测或语义分割。然而，真实字计算机视觉应用程序通常需要模型能够(a)通过很少的注释例子学习，(b)不断适应新的数据而不忘记之前的知识。不幸的是，经典的监督深度学习方法在设计时并没有考虑到这些需求。