CVPR 2017论文集锦
計算機視覺頂會之一的CVPR2017將于7月21日至7月26日在夏威夷舉行。下面為目前關于CVPR2017的論文解讀的文章總結。歡迎大家收藏并推薦~（小助手微信：Extreme-Vision）
所有文章都已經出來，點擊這里查看CVPR2017論文
http://openaccess.thecvf.com/CVPR2017.py
分類論文title（暫時未全部有pdf鏈接）
CVPR 2017 papers on the web
1.【簡評】[CVPR2017]Loss Max-Pooling for Semantic Image Segmentation
論文主要解決的是semantic segmentation中imbalanced training data distributions問題。在semantic segmentation數據集包括現實世界中存在明顯的長尾分布的問題，即大多數的數據組成了小部分的類別，因此會導致學習器更偏向于這些類別。
2.CVPR 2017論文筆記— Dilated Residual Networks
這篇論文是作者將何愷明(Kaiming He)博士殘差網絡Deep Residual Networks與其之前研究的Dilated Convolution相結合的結果。
3.CVPR2017論文：使用VTransE網絡進行視覺關系檢測
知識表示學習的思想（TransE）已經被成功應用于視覺關系提取（Visual Relation Extraction），提交 CVPR 2017 的新論文《Visual Translation Embedding Network for Visual Relation Detection》提出的 VTransE 方法是在這方面所邁出的重要一步。清華大學計算機系助理研究員劉知遠對此評論說：「視覺關系和語義關系既有重疊又有互補，未來會有很多有趣的問題值得探索。」
4.CVPR2017：深度紋理編碼網絡 (Deep TEN: Texture Encoding Network)
文中論文提出了一個新的深度學習模型，這個模型推廣了傳統的字典學習 (dictionary learning) 和殘差編碼 (Residual Encoders)。
5.CVPR 2017論文：基于網格的運動統計，用于快速、超魯棒的特征匹配（附大神解讀）
論文GMS的方法實際上是消除錯誤匹配的一種方案，比如可以替換ransac。算法執行的大致流程是：先執行任意一種特征點的檢測和特征點的描述子計算，論文中采用的是ORB特征。然后執行暴力匹配BF，最后執行GMS以消除錯誤匹配。
6.CVPR 2017 目標跟蹤相關論文
文中包括main conference中單目標跟蹤相關的論文，總共11篇，相關濾波7篇，其中1篇是oral，3篇用到卷積特征，相關濾波占了64%，(非卷積特征的)CNN相關4篇，可以看出目標跟蹤現在最火的是相關濾波和深度學習。
7.論文筆記——CVPR 2017 Annotating Object Instances with a Polygon-RNN
文章作者基于深度學習提出一種半自動目標事例標注（semi-automatic annotation of object instances）的算法。
8.CVPR 2017:Large Margin Object Tracking with Circulant Feature Maps
文章作者基于深度學習提出一種半自動目標事例標注（semi-automatic annotation of object instances）的算法。
9.目標跟蹤算法：ECO:（Efficient Convolution Operators for Tracking）
Martin Danelljan的又一新作。繼C-COT之后又一刷新紀錄的作品。不管是從結果還是速度上都有提升，尤其是速度提升明顯。用傳統特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS。
10.CVPR 2017 值得關注的亮點（知乎問答）
各位大神在目標檢測，目標跟蹤，GAN等領域都提出了自己的看法，可以看看.
11.李飛飛協同斯坦福、CMU帶來全新成果：從網絡嘈雜的視頻中進行學習
這項研究是李飛飛團隊在今年CVPR上的一項最新工作，該方法提出了一種模型用于自動標注網絡中巨量的嘈雜視頻。
12.對抗學習用于目標檢測--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
本文將對抗學習引入到目標檢測問題中，通過對抗網絡生成一下遮擋和變形的訓練樣本來訓練檢測網絡，從而使得網絡能夠對遮擋和變形問題更加的 robust.
13.行人姿態估計--Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
多人姿態實時估計，這里主要亮點還是 多人實時+效果。
14CVPR2017論文解讀博客
博主解讀了多篇CVPR2017論文，可以一讀
15微軟亞洲研究院創研論壇 CVPR 2017 論文分享會
微軟亞研院創研舉辦的關于CVPR2017的論文分享會，共有22篇論文10到15分鐘的解讀，涉及跟蹤，檢測，人臉再識別等多個計算機視覺主題。可以回看視頻。
16VALSE CVPR 2017專場
VALSE舉辦的三場關于cvpr217論文解讀的線上分享，有大牛出現。
視頻鏈接:http://pan.baidu.com/s/1o8MAWL8密碼: x6i6（視頻轉自valse官方）
17CVPR 2017獲獎論文
本屆 CVPR 共有兩篇最佳論文、兩篇最佳論文提名、一篇最佳學生論文。蘋果去年 12 月發表的對抗網絡 SimGAN 研究，是兩篇最佳論文之一。
18CVPR 2017最佳論文解讀：密集連接卷積網絡
CVPR 2017獲獎論文公布，其中一篇最佳論文為康奈爾大學、清華大學、Facebook FAIR 實驗室合著的《Densely Connected Convolutional Networks》。在這篇文章中，Momenta 高級研發工程師胡杰對這篇文章進行了解讀。此文為該系列專欄的第三篇。
19CVPR 2017論文解讀：用于單目圖像車輛3D檢測的多任務網絡
車輛檢測是一個經典的基于圖像的目標檢測問題，也是智能駕駛感知過程的核心問題之一。這篇文章主要處理單目圖像中的車輛檢測問題。
20CVPR 2017論文解讀：特征金字塔網絡
這里介紹的文章是來自 Facebook 的特征金字塔網絡 Feature Pyramid Networks(FPN)。FPN 主要解決的是物體檢測中的多尺度問題，通過簡單的網絡連接改變，在基本不增加原有模型計算量情況下，大幅度提升了小物體檢測的性能。
21阿里iDST CVPR 2017論文解讀：視頻衣物精確檢索
這里介紹的文章是來自 Facebook 的特征金字塔網絡 Feature Pyramid Networks(FPN)。FPN 主要解決的是物體檢測中的多尺度問題，通過簡單的網絡連接改變，在基本不增加原有模型計算量情況下，大幅度提升了小物體檢測的性能。
22Active Learning: 一個降低深度學習時間，空間，經濟成本的解決方案
本文解讀的是一篇CVPR論文，它主要解決了一個深度學習中的重要問題：如何使用盡可能少的標簽數據來訓練一個效果promising的分類器。
作者：西方失敗9527 鏈接：https://www.jianshu.com/p/0dd2c80340a1 來源：簡書 著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。總結
以上是生活随笔為你收集整理的CVPR 2017论文集锦的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 区块链世界中的IOTA：它是什么样的存在
- 下一篇： Android中的人脸检测入门