（免费下载）CVPR 2022 Oral | TCFormer论文翻译（word版），使用DeepL翻译

自我监督视觉预训练的密集对比学习 该项目托管用于实现DenseCL算法以进行自我监督表示学习的代码。 王新龙，张如凤，沉春华，Kong涛，李磊在：Proc。 IEEE Con​​f。 2021年的计算机视觉和模式识别（CVPR） arXiv预印本（ ） 强调 增强密集预测： DenseCL预训练模型在很大程度上有利于密集预测任务，包括对象检测和语义分段（最高+ 2％AP和+ 3％mIoU）。 简单的实现： DenseCL的核心部分可以用10行代码实现，因此易于使用和修改。 灵活的用法： DenseCL与数据预处理脱钩，因此可以快速灵活地进行培训，同时不知道使用哪种增强方法以及如何对图像进行采样。 高效的培训：与基准方法相比，我们的方法引入的计算开销可忽略不计（仅慢1％）。 更新 发布了DenseCL的代码和预训练模型。 （02/03/2021） 安装 请参考进行安装和数据集准备。

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

使用点对特征进行曲面匹配 高效稳健的 3D 对象识别 drost2010CVPR(Computer Vision and Pattern Recognition) 示例文件包含在主模块中，也包含测试数据。

先决条件 正在安装 只需在config.py文件中设置数据集路径。 # -*- coding: utf-8 -*- paths = dict( ANNOTATIONS='/example/of/path/MIT67/Annotations/', IMAGES='/example/of/path/MIT67/Images/' ) 跑步 $ python mit67.py 例子

参考文献： 原论文名称：EfficientNetV2: Smaller Models and Faster Training 论文下载地址：https://arxiv.org/abs/2104.00298 原论文提供代码：https://github.com/google/automl/tree/master/efficientnetv2 参考博文：https://blog.csdn.net/qq_37541097/article/details/116933569?spm=1001.2014.3001.5502 参考在bilibili上的讲解视频：https://b23.tv/M4hagB

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 " \

pytorch-polygon-rnn Pytorch实现。 注意，我使用另一种方法来处理第一个顶点，而不是像本文中那样训练另一个模型。 与原纸的不同 我使用两个虚拟起始顶点来处理第一个顶点，如图像标题所示。 我需要在ConvLSTM层之后添加一个LSTM层，因为我需要输出为D * D + 1维度才能处理结束符号。 如何训练和测试 从下载数据，组织图像文件和注释json文件，如下所示： img ├── train │ ├── cityname1 │ │ ├── pic.png │ │ ├── ... │ ├── cityname2 │ │ ├── pic.png │ │ ├── ... ├── val │ ├── cityname │ │ ├── pic.png │ │ ├── ... ├── test │ ├── ci

通过隐式模块化视听表示进行姿势可控的会说话脸生成（CVPR 2021） ，孙亚生，，，和。 | | 我们提出了可姿势控制的视听系统（PC-AVS） ，该系统可在驱动带有声音的任意说话的面部时实现自由姿势控制。 代替从音频中学习姿势运动，我们利用另一个姿势源视频来仅补偿头部运动。 关键是设计一种隐含的低维姿势代码，该代码不包含嘴巴形状或身份信息。 通过这种方式，将视听表示模块化为三个关键因素的空间：语音内容，头部姿势和身份信息。 要求 使用Python 3.6和 1.3.0。 基本要求在“ requirements.txt”中列出。 pip install -r requirements.txt 快速入门：生成演示结果 下载预训练的检查点。 创建默认的文件夹./checkpoints并解压demo.zip在./checkpoints/demo 。 其中应该有5 pth 。 解压缩mi

SRGAN 基于CVPR 2017论文的SRGAN的PyTorch实现。