InterFaceGAN-解释用于语义人脸编辑的GAN的潜在空间 图：使用InterFaceGAN获得的高质量面部属性编辑结果。 在此存储库中，我们提出了一种称为InterFaceGAN的语义面部编辑方法。 具体来说，InterFaceGAN能够通过解释第一个潜在空间并找到隐藏的语义子空间，将无条件训练的人脸合成模型转变为可控制的GAN。 [ ] [ ] [] [] [ ] 如何使用 拾取一个模型，拾取一个边界，拾取一个潜在代码，然后编辑！ # Before running the following code, please first download # the pre-trained ProgressiveGAN model on CelebA-HQ dataset, # and then place it under the folder ".models/pretra

深流引导的视频修复 | | | 安装与要求 该代码已在pytorch = 0.4.0和python3.6上进行了测试。 请参阅requirements.txt以获取详细信息。 或者，您可以使用提供的运行它。 安装python软件包 pip install -r requirements.txt 安装flownet2模块 bash install_scripts.sh 配件 此仓库中包含三个组件： 视频修复工具：DFVI 提取流程：FlowNet2（由修改） 图像修复（从重新实现） 用法 要使用我们的视频修复工具删除对象，建议将帧放置在xxx/video_name/frames ，并将每个帧的遮罩放置在xxx/video_name/masks 。 并且请从下载演示和模型权重的资源。 包含帧和蒙版的示例演示已放入演示中，运行以下命令将获得结果： python tools/v

弱和半监督语义分割的反专业操作归因 输入图像 初始CAM 对抗式攀登的连续地图 针对弱和半监督语义分割的反职业性操纵归因的实现，李贞博，金恩吉和孙大阳，CVPR2021。[] 安装 我们请参考的官方实现。 该存储库已在Ubuntu 18.04上经过测试，并使用Python 3.6，PyTorch 1.4，pydensecrf，scipy，chaniercv，imageio和opencv-python。 用法 步骤1.准备数据集 下载PASCAL VOC 2012基准： 。 步骤2.准备经过预先训练的分类器 本文使用的预训练模型： 。 您还可以根据训练自己的分类器。 步骤3.获得PASCAL VOC train_aug图像的伪地面真伪蒙版并对其进行评估 bash get_mask_quality.sh 步骤4.训练语义分割网络 要训​​练DeepLab-v2，我们参考 。 但是，此仓

深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--

伪装物体检测（CVPR2020-Oral） 作者：，，，，，。 0.前言 欢迎加入COD社区！ 我们在微信中创建了一个群聊，您可以通过添加联系人（微信ID：CVer222）来加入。 请附上您的从属关系。 该存储库包括详细的介绍，强大的基准（搜索和识别网，SINet）以及用于伪装目标检测（COD）的一键评估代码。 有关伪装物体检测的更多信息，请访问我们的并阅读 / 。 如果您对我们的论文有任何疑问，请随时通过电子邮件与或。 如果您使用SINet或评估工具箱进行研究，请引用本文（ ） 0.1。 :fire: 消息 :fire: [2020/10/22] :collision: 可以通过电子邮件（ ）提供培训代码。 请提供您的姓名和机构。 请注意，该代码只能用于研究目的。 [2020/11/21]已更新评估工具：Bi_cam（cam> threshold）= 1-> Bi_cam（cam> = threshold

单糖 这是以下论文的代码开发版本： Bugra Tekin，Sudipta N.Sinha和Pascal Fua，“实时无缝单发6D对象姿态预测”，CVPR 2018。 可以在以下找到上述文章的代码库的原始存储库。 介绍 我们提出了一种单发方法，可以同时检测RGB图像中的对象并预测其6D姿势，而无需多个阶段或必须检查多个假设。 我们方法的关键部分是受YOLO网络设计启发的新CNN架构，该架构可直接预测对象3D边界框的投影顶点的2D图像位置。 然后使用PnP算法估算对象的6D姿势。 ， 引文 如果您使用此代码，请引用以下内容 @inproceedings {tekin18， TITLE = {{实时无缝单发6D对象姿态预测}}，作者= {Tekin，Bugra和Sinha，Sudipta N.和Fua，Pascal}， BOOKTITLE = {CVPR}， 年= {2018} } 执照

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

PyTorch实施“学习内存指导的异常检测正常性” 这是论文“学习内存指导的异常检测正常性（CVPR 2020）”的实现。 有关更多信息，请查看项目站点[]和论文[ ]。 依存关系 Python 3.6 PyTorch 1.1.0 脾气暴躁的 斯克莱恩 数据集 USCD Ped2 [] 中大大道[] ShanghaiTech [] 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR 2018）”的官方github。 将数据dataset下载到数据dataset文件夹中，例如./dataset/ped2/ 更新 21年2月4日：我们上传了基于重建方法的代码，并预先训练了用于Ped2重建，大道预测和大道重建的方法。 训练 训练和测试代码基于预测方法 现在，您可以基于预测和重构方法对代码进行隐含标记。 这些代码基本上是基于预测方法的，您可以轻松地将其实现为 git c

班级增量学习 文件 用于班级增量学习的自适应聚合网络，CVPR2021。[ ] [] 助记符训练：无需忘记的多级增量学习，CVPR2020。[ ] [] 引文 如果它们对您的工作有帮助，请引用我们的论文： @inproceedings { Liu2020AANets , author = { Liu, Yaoyao and Schiele, Bernt and Sun, Qianru } , title = { Adaptive Aggregation Networks for Class-Incremental Learning } , booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } , year = { 20

matlab fft代码这是CVPR18中我们的MKCFup论文的实现。 为了提高速度，我们在C ++版本中使用DSST代替了fDSST。 我们在具有Intel Core i7-7700 3.60GHz CPU和8GB RAM的PC上执行了此实现。 在采用Release-x64模式的OTB2013上，平均FPS为175 ，我们的结果存储在./res中。 Matlab版本请参考 注意：根据opencv4，大多数C API已被排除，如果您使用opencv4，则在run_MKCFup.cpp和fhog.hpp中可能会更改某些API。 在运行我们的代码之前，请检查您是否已完成以下步骤。 安装Visual Studio 2015 +，fftw3.3.5 +（可以改用cv :: fft，但可能会慢一些）和opencv3.2 +； 确保在您的项目中添加了cn_data.cpp，ComplexMat.cpp和gradientMex.cpp； 在您的视觉工作室中打开OpenMP支持； 使用发布模式。 请运行run_MKCF.cpp以使用我们的跟踪器。 如果遇到速度问题，请确保在发布模式下，跟踪器的速度比