CVPR 2021论文和开源项目合集 论文和开源项目合集（带代码的论文）！ CVPR 2021收录列表： : 注1：欢迎各位大佬提交问题，分享CVPR 2021论文和开源项目！ 注2：关于往年CV顶会论文以及其他优质CV论文和大盘点，详见： : CVPR 2021中奖群已成立！已经收录的同学，可以添加微信： CVer9999 ，请备注： CVPR2021已收录+姓名+学校/公司名称！ 【CVPR 2021论文开源目录】 骨干 ReXNet：减少卷积神经网络上的代表性瓶颈 论文： : 代码： ： 内卷：反转卷积的固有性以进行视觉识别 论文： : 代码： ： 高效移动网络设计的协调注意 论文： : 代码： ： 具有有效膨胀搜索的初始卷积 论文： : 代码： ： RepVGG：使VGG样式的ConvNets再次出色 论文： : 代码： ： 纳斯 通过生成进行搜索

MTAN-多任务注意力网络 该存储库包含多任务注意力网络（MTAN）的源代码，以及来自Shikun ， 和引入基线。 请参阅我们的项目页面的详细结果。 实验 图像到图像预测（一对多） 在文件夹im2im_pred ，我们提供了建议的网络以及本文介绍的NYUv2数据集上的所有基线。 所有模型都是用PyTorch编写的，并且在最新的提交中，我们已将实现更新为PyTorch 1.5版。 下载我们经过预处理的NYUv2数据集。 我们从使用预先计算的地面真实法线。 原始的13类NYUv2数据集可以使用定义的分段标签直接下载到。 很抱歉，由于意外的计算机崩溃，我无法提供原始的预处理代码。 更新-2019年6月：我现在发布了具有2、7和19类语义标签（请参阅本文以获取更多详细信息）和（反）深度标签的预处理CityScapes数据集。 下载[256×512个，2.42GB]版本 和[128×2

DeeperForensics-1.0：用于真实世界人脸伪造检测的大规模数据集 该存储库提供以下论文的数据集和代码： DeeperForensics-1.0：用于真实世界人脸伪造检测的大规模数据集，，，在CVPR 2020中。 | | 摘要：我们介绍了我们正在努力建立用于人脸伪造检测的大型基准。 该基准测试的第一个版本DeeperForensics-1.0代表了迄今为止最大的人脸伪造检测数据集，共有60,000个视频，共1760万帧，是现有同类数据集的10倍。 应用了广泛的现实世界扰动以获得更大规模和更高多样性的更具挑战性的基准。 我们会仔细收集DeeperForensics-1.0中的所有源视频，并通过新提议的端到端人脸交换框架来生成假视频。 经用户研究验证，生成的视频质量优于现有数据集中的视频。 该基准测试具有一个隐藏的测试集，其中包含在人类评估中获得较高欺骗性分数的操纵视频。

Total3DUnderstanding Total3DUnderstanding：从单个图像对室内场景进行联合布局，对象姿势和网格重建聂银雨，韩晓光，郭世辉，郑玉建，张建，张建军在。 安装 此实现使用Python 3.6， 和cudatoolkit 9.0。 我们建议使用部署环境。 使用conda安装： conda env create -f environment.yml conda activate Total3D 用pip安装： pip install -r requirements.txt 演示版 预训练的模型可以在下载。 我们在这里还提供了预训练的网格生成网络。 将预训练的模型放在 out/pretrained_models 下面演示了一个演示，以了解该方法的工作原理。 这里使用vtk可视化3D场景。 输出将保存在“演示/输出”下。 您也可以使用此脚本来玩玩具。

罪 结构推断网：使用场景级上下文和实例级关系的对象检测。 在CVPR 2018中。（ ） 要求：软件 Tensorflow 1.3.0的要求（请参阅： ） 您可能没有的Python软件包： cython ， python-opencv ， easydict 安装（足够用于演示） 克隆SIN存储库 # Make sure to clone with --recursive git clone --recursive https://github.com/choasUp/SIN.git 构建Cython模块 cd $SIN_ROOT /lib make 演示版 成功完成，您就可以开始运行演示了。 等待 ... 训练模式 下载培训，验证，测试数据和VOCdevkit wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtr

这是我自己整理的交互式图像分割的一些好的论文的合集，论文中的方法从以前的传统图像处理方法到深度学习，对应的是我的一篇博客，里面有详细的论文清单，有需要的自取。

3D-SIS: 3D Semantic Instance Segmentation of RGB-D Scans (CVPR2019 Oral) We present 3D-SIS, a new framework for 3d instance segmentation. Data Generation Data generation code is detailed in . Download Traininig Data The training data we generated is provided. Download Test Data We provide the test data (.scene and images) as examples. The detailed format of data, see . Download the Installation In

PyTorch中的深度度量学习 Learn deep metric for image retrieval or other information retrieval. 我们的XBM被提名为2020年CVPR最佳论文。 知乎XBM上的一个博客 我写了一个知乎文章，通俗快速解读了XBM想法动机： 欢迎大家阅读指点！ 推荐最近发表的不是我写的DML优秀论文： 来自康奈尔科技大学和Facebook AI 摘要：过去四年来，深度度量学习论文一直宣称准确性方面取得了长足进步，通常比十年前方法的性能提高一倍还多。 在本文中，我们将仔细研究该领域，以了解是否确实如此。 我们在这些论文的实验设置中发现了缺陷，并提出了一种评估度量学习算法的新方法。 最后，我们提供的实验结果表明，随着时间的推移，这种改进最多只能算是微不足道了。 XBM：DML的新Sota方法，被CVPR-2020接受为口服，并被提名

[2005 CVPR] Histograms of Oriented Gradients for Human Detection 用于人体检测的方向梯度直方图 Navneet Dalal，Bill Triggs

ppt共有59页，讲解的十分详细，对于何提出的暗通道先验算法去雾有了非常详细的解释，看后十分有收获。