通过非对称循环映射生成不成对的肖像画 我们为CVPR 2020论文“通过不对称循环映射生成不成对的肖像绘图”提供PyTorch实施。 该项目使用基于GAN的模型从面部照片生成艺术肖像画。 我们的拟议框架 样品结果 从左到右：输入，输出（样式1），输出（样式2），输出（样式3） 引文 如果您使用此代码进行研究，请引用我们的论文。 。 @inproceedings{YiLLR20, title = {Unpaired Portrait Drawing Generation via Asymmetric Cycle Mapping}, author = {Yi, Ran and Liu, Yong-Jin and Lai, Yu-Kun and Rosin, Paul L}, booktitle = {{IEEE} Conference on Computer V

图像修复的递归特征推理 要求 Python> = 3.5 PyTorch> = 1.0.0 Opencv2 == 3.4.1 Scipy == 1.1.0 脾气暴躁== 1.14.3 Scikit图像（skimage）== 0.13.1 这是我们实验的环境。 这些软件包的更高版本可能需要对代码进行一些修改。 尽管我们的方法不限于任何特定的CUDA和cudnn版本，但强烈建议您使用这些工具包的最新版本。 由于RFR-Net的周期性设计，它似乎可以在较旧的CUDA版本中运行缓慢。 预训练模型 到预训练模型的链接。 （当前为Paris StreetView，CelebA数据集）。 我们希望在1月底之前释放Places2权重，对于存储系统故障导致的延迟，我们深表歉意。 如果模型用于学术目的，我们强烈建议用户重新训练模型，以确保进行公平的比较（这一直是人们所期望的）。 使用当前版本的

1. 检测 2. 分割(Segmentation) 3. 图像处理(Image Processing) 4. 视频处理(Video Processing) 5. 估计(Estimation) 6. 图像&视频检索/视频理解(Image&Video Retrieval/Video Understanding) 7. 人脸(Face) 8. 三维视觉(3D Vision) 9. 目标跟踪(Object Tracking) 10. 医学影像(Medical Imaging) 11. 文本检测/识别/理解(Text Detection/Recognition/Understanding) 12. 遥感图像(Remote Sensing Image) 13. GAN/生成式/对抗式(GAN/Generative/Adversarial) 14. 图像生成/图像合成(Image Generation/Image Synthesis) 15. 场景图(Scene Graph

CVPR2021-代码 论文开源项目（带代码的文件）合集！CVPR 2021论文收录列表： : 注1：等2021年2月28日开奖后，欢迎各位大佬提交issue，分享CVPR 2021本文和开源项目！ 注2：CVPR 2021已交稿成立！已投稿且想要进来的群同学，可以添加微信： CVer9999 ，请备注： CVPR2021已投稿+姓名+学校/公司名称！一定要根据格式申请！ 【推荐阅读】 论文开源项目合集： : ECCV 2020论文开源项目合集： : 关于往年CV顶会论文（如ECCV 2020，CVPR 2019，ICCV 2019）以及其他优质CV论文和大盘点，详见： : 【CVPR 2021论文开源目录】 [人脸活体检测（面部防欺骗）]（＃面部防欺骗） 骨干 RepVGG：使VGG样式的ConvNets再次出色 论文： : 代码： ： 甘 通过分层样式分

多阶段渐进式图像恢复（CVPR 2021） ， ， ， ， ， 和 论文： : 补充文件： 摘要：图像恢复任务要求在恢复图像时在空间细节和高级上下文信息之间达成复杂的平衡。 在本文中，我们提出了一种新颖的协同设计，可以最佳地平衡这些相互竞争的目标。 我们的主要建议是一个多阶段体系结构，该体系结构逐步学习降级输入的恢复功能，从而将整个恢复过程分解为更易于管理的步骤。 具体来说，我们的模型首先使用编码器-解码器体系结构学习上下文相关的功能，然后将它们与保留本地信息的高分辨率分支相结合。 在每个阶段，我们都会介绍一种新颖的每像素自适应设计，该设计利用现场监督的注意力来重新加权局部特征。 这种多阶段体系结构中的关键要素是不同阶段之间的信息交换。 为此，我们提出了一种两方面的方法，其中不仅从早期到后期顺序地交换信息，而且还存在特征处理块之间的横向连接，以避免任何信息丢失。 由

用于动作识别的3D ResNet 更新（2020/4/13） 我们在arXiv上发表了一篇论文。 我们上载了本文所述的预训练模型，包括在结合了Kinetics-700和Moments in Time的数据集中预训练的ResNet-50。 更新（2020/4/10） 我们极大地更新了脚本。 如果要使用旧版本来复制我们的CVPR2018论文，则应使用CVPR2018分支中的脚本。 此更新包括： 重构整个项目 支持更新的PyTorch版本 支持分布式培训 支持对“时刻”数据集的培训和测试。 添加R（2 + 1）D模型 上载经过Kinetics-700，时刻矩和STAIR-Actions数

行人重识别课程主要包括三大核心模块：1.2020经典算法(论文)详细解读；2.项目源码分析；3.实战应用；通俗讲解CVPR等会议最新行人重识别方向算法及其实现，基于PyTorch框架展开实战，逐行讲解全部项目源码及其应用实例。整体风格通俗易懂，用最接地气的方式带领同学们掌握最新行人重识别算法并进行项目实战。

该项工作被CVPR 2019录取为oral paper。CVPR是计算机视觉和人工智能领域内的国际顶级会议，2019共收到投稿5160篇，录取1300篇，其中oral paper288篇，仅占全部投稿的5.6%。 作者制作了一个微信小程序展示APDrawingGAN的效果，小程序二维码如下，免费使用，快来试试吧： 肖像画是一种独特的艺术形式，通常使用一组稀疏的连续图形元素，如线条来捕捉一个人的外表特征。肖像画通常是在人物面前或基于人物照片进行创作的，其创作依赖于细致的观察、分析和丰富的经验。一幅好的肖像画能很好地捕捉到人的个性和情感。然而，即使是受过专业训练的艺术家，完成一幅精致的肖像画也需要

解开标签分布以实现长尾视觉识别（CVPR 2021） 此代码库基于。 安装 conda create -n longtail pip python=3.7 -y source activate longtail conda install pytorch torchvision cudatoolkit=10.1 -c pytorch pip install pyyaml tqdm matplotlib sklearn h5py tensorboard 训练 初赛 下载Places-LT的预训练caffe resnet152模型：请参考。 准备数据集：CIFAR-100，Places-LT，ImageNet-LT，iNaturalist 2018 请在下载这些数据集。 CIFAR-100培训 对于不平衡比为0.01的CIFAR-100，请使用LADE： python main.py -

半监督转移学习的自适应一致性正则化 该存储库用于以下论文中介绍的自适应知识一致性和自适应表示表示一致性： Abulikemu Abuduweili，Li Xingjian Li，Humphrey Shi，徐成中和Dou Dedou，“半监督转移学习的自适应一致性正则化”。 该代码是在具有Tesla V100 GPU的CentOS 6.3环境（Python 3.6，PyTorch 1.1，CUDA 9.0）上开发的。 内容 介绍 在这项工作中，我们考虑半监督学习和转移学习的结合，从而导致一种更实用和更具竞争力的范例，该范例可以利用源域中强大的预训练模型以及目标域中的带标签/未带标签的数据。 为了更好地利用预训练权重和未标记目标示例的价值，我们引入了自适应一致性正则化，它由两个互补组成部分：源模型和目标模型之间（（标记和未标记）示例上的自适应知识一致性（AKC）；以及目标模型上带标签和未