1、DensePose開源了唐全，2D變3D人體姿勢(shì)實(shí)時(shí)識(shí)別 | Facebook@CVPR 2018
Facebook發(fā)布的人體姿勢(shì)實(shí)時(shí)識(shí)別系統(tǒng)DensePose開源，可以把2D圖像肛真，轉(zhuǎn)換成3D人體模型袁铐。
2、CVPR 2018|Cascade R-CNN：向高精度目標(biāo)檢測(cè)器邁進(jìn)
本文是CVPR2018通用目標(biāo)檢測(cè)的一篇Oral淘衙，在Faster R-CNN框架下传藏，通過級(jí)聯(lián)多個(gè)分類器，逐步提高目標(biāo)定位的精度彤守，向高精度的目標(biāo)檢測(cè)器邁出了堅(jiān)實(shí)的一步毯侦。
3、CV 屆的金雞百花獎(jiǎng)：盤點(diǎn)我心中的 CVPR 2018 創(chuàng)意 TOP10
伴隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的突飛猛進(jìn)具垫，我們?nèi)栽谔剿魉械目赡苄猿蘩搿ＴS多論文將提出全新的深度網(wǎng)絡(luò)在視覺上的應(yīng)用。本文作者將向大家展示其認(rèn)為是CVPR 2018中最酷最具創(chuàng)意的10篇論文筝蚕。
本文是CVPR2018人臉檢測(cè)的一篇Oral，結(jié)合GAN的思想提升了極小人臉的檢測(cè)性能起宽，是GAN入侵目標(biāo)檢測(cè)領(lǐng)域的又一篇力作蔗坯。
5、【論文整理】CVPR2018 人體姿態(tài)相關(guān)
作者整理了一份CVPR2018中人體姿態(tài)相關(guān)的論文列表燎含，并簡(jiǎn)述了論文的思路和方法宾濒，方便大家有選擇性地閱讀和收藏~
6、CVPR 2018 | 炫酷的卡通畫目標(biāo)檢測(cè)
本文由東京大學(xué)發(fā)表在CVPR2018屏箍，論文采用了圖像層面的域適應(yīng)策略和弱監(jiān)督偽標(biāo)簽策略绘梦，探索了如何將已有的檢測(cè)器遷移到卡通畫中進(jìn)行目標(biāo)檢測(cè)橘忱。
7、CVPR 2018 | 無監(jiān)督語義分割之全卷積域適應(yīng)網(wǎng)絡(luò)
本文由中科大和微軟亞洲研究院合作完成卸奉，論文提出了兩種域適應(yīng)策略钝诚，探索了如何使用合成圖像提升真實(shí)圖像的語義分割性能。
8榄棵、CVPR 2018 Best Paper Taskonomy 作者解讀
斯坦福本科生／準(zhǔn)博士生沈博魁凝颇，CVPR2018最佳論文Taskonomy的共同二作。鑒于poster session時(shí)發(fā)現(xiàn)很多人對(duì)Taskonomy的理解有偏差疹鳄，作者親自寫了一篇Taskonomy的中文解讀拧略，希望能對(duì)大家有幫助。
9瘪弓、CVPR2018最佳論文演講：研究任務(wù)之間的聯(lián)系才是做遷移學(xué)習(xí)的正確姿勢(shì)
今年 CVPR 2018 最佳論文《Taskonomy: Disentangling Task Transfer Learning》（任務(wù)學(xué)：任務(wù)遷移學(xué)習(xí)的解耦）研究了一個(gè)非常新穎的課題垫蛆，那就是研究視覺任務(wù)之間的關(guān)系，根據(jù)得出的關(guān)系可以幫助在不同任務(wù)之間做遷移學(xué)習(xí)腺怯。相比于我們看慣了的在為各種任務(wù)刷分的研究袱饭，這篇論文可謂是一股計(jì)算機(jī)視覺領(lǐng)域的春風(fēng)。
10呛占、【CVPR 2018最佳論文出爐】斯坦福等名校折桂虑乖，何愷明獲年輕研究員獎(jiǎng)
CVPR 2018最佳論文花落斯坦福和伯克利大師論文，最佳學(xué)生論文獎(jiǎng)授予了CMU晾虑。何愷明獲得了PAMI年輕研究員獎(jiǎng)决左。
11、CVPR 2018 | ETH Zurich提出利用對(duì)抗策略走贪，解決目標(biāo)檢測(cè)的域適配問題
本文是 ETH Zurich 發(fā)表于 CVPR 2018 的工作佛猛，論文提出了采用當(dāng)前火熱的對(duì)抗策略，解決目標(biāo)檢測(cè)任務(wù)中使用不同數(shù)據(jù)集訓(xùn)練的域適配問題坠狡。
12继找、CVPR 2018 | 阿里巴巴&浙大Poster論文：基于直推式無偏嵌入的零樣本學(xué)習(xí)
大多數(shù)現(xiàn)有的零樣本學(xué)習(xí)（Zero-Shot Learning，ZSL）方法都存在強(qiáng)偏問題逃沿，因此在廣義 ZSL 設(shè)置中部署后性能很差婴渡。本文提出了一個(gè)簡(jiǎn)單有效的方法——準(zhǔn)完全監(jiān)督學(xué)習(xí)（QFSL）來解決此問題。
13凯亮、CVPR 2018 | ETH Zurich提出新型網(wǎng)絡(luò)「ROAD-Net」边臼，解決語義分割域適配問題
本文是 ETH Zurich 發(fā)表于 CVPR 2018 的工作，論文提出了兩個(gè)網(wǎng)絡(luò)策略假消，用于處理語義分割任務(wù)中使用合成數(shù)據(jù)訓(xùn)練的域適配問題柠并。
14、CVPR2018|DiracNets：無需跳層連接，訓(xùn)練更深神經(jīng)網(wǎng)絡(luò)臼予，結(jié)構(gòu)參數(shù)化與Dirac參數(shù)化的ResNet
論文講述了虛擬化技術(shù)犧牲硬件開銷和性能鸣戴，換來軟件功能的靈活性；深度模型也類似粘拾，如果把網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)化窄锅，得到的模型更靈活易控，但是計(jì)算效率并不高缰雇。
15入偷、CVPR 2018 | 殘差密集網(wǎng)絡(luò)：利用所有分層特征的圖像超分辨率網(wǎng)絡(luò)
美國(guó)東北大學(xué)最近在圖像超分辨領(lǐng)域提出了一種殘差密集網(wǎng)絡(luò)，來從原圖生成高分辨率圖像械哟。該網(wǎng)絡(luò)結(jié)合殘差網(wǎng)絡(luò)與密集連接網(wǎng)絡(luò)的特性充分利用原始 LR 圖像的所有分層特征疏之，因而能重構(gòu)出高質(zhì)量的圖像。
16戒良、CVPR2018|DA-GAN技術(shù)：計(jì)算機(jī)幫你創(chuàng)造奇妙“新物種”
微軟亞研院被CVPR2018接收的論文提出的DA-GAN技術(shù)体捏，能夠通過文字描述生成新形象冠摄，形成了全新的藝術(shù)創(chuàng)造模式糯崎。
17、CVPR 2018 論文概述：有損壓縮視頻的多幀質(zhì)量增強(qiáng)方法
CVPR 2018論文《Multi Frame
Quality Enhancement for Compressed Video》提出針對(duì)有損壓縮視頻的多幀質(zhì)量增強(qiáng)方法河泳，顯著提升了視頻質(zhì)量增強(qiáng)的性能沃呢。
18、CVPR 2018 | 使用CNN生成圖像先驗(yàn)拆挥，實(shí)現(xiàn)更廣泛場(chǎng)景的盲圖像去模糊
現(xiàn)有的最優(yōu)方法在文本薄霜、人臉以及低光照?qǐng)D像上的盲圖像去模糊效果并不佳，主要受限于圖像先驗(yàn)的手工設(shè)計(jì)屬性纸兔。本文研究者將圖像先驗(yàn)表示為二值分類器惰瓜，訓(xùn)練 CNN 來分類模糊和清晰圖像。實(shí)驗(yàn)表明汉矿，該圖像先驗(yàn)比目前最先進(jìn)的人工設(shè)計(jì)先驗(yàn)更具區(qū)分性崎坊，可實(shí)現(xiàn)更廣泛場(chǎng)景的盲圖像去模糊。
19洲拇、CVPR2018：基于時(shí)空模型無監(jiān)督遷移學(xué)習(xí)的行人重識(shí)別
本文為你解讀CVPR2018 TFusion奈揍，解決的目標(biāo)是跨數(shù)據(jù)集的Person Rei，屬于無監(jiān)督學(xué)習(xí)赋续，方法是多模態(tài)數(shù)據(jù)融合 + 遷移學(xué)習(xí)男翰。實(shí)驗(yàn)效果上，超越了所有無監(jiān)督Person reid方法纽乱，逼近有監(jiān)督方法蛾绎，在部分?jǐn)?shù)據(jù)集上甚至超越有監(jiān)督方法。
20、獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)（IndRNN）：打造更長(zhǎng)更深的RNN
電子科技大學(xué)和澳大利亞伍倫貢大學(xué)的研究者合作發(fā)表論文秘通，介紹了他們創(chuàng)造的獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)（IndRNN）为严，這種新型RNN能有效解決網(wǎng)絡(luò)收斂時(shí)的梯度爆炸和消失問題，并能夠處理更長(zhǎng)的序列肺稀。
21第股、CVPR 2018 | 騰訊AI Lab、MIT等機(jī)構(gòu)提出TVNet：可端到端學(xué)習(xí)視頻的運(yùn)動(dòng)表征
來自騰訊 AI Lab话原、MIT夕吻、清華、斯坦福大學(xué)的研究者完成并入選 CVPR 2018 Spotlight 論文的一項(xiàng)研究提出了一種能從數(shù)據(jù)中學(xué)習(xí)出類光流特征并且能進(jìn)行端到端訓(xùn)練的神經(jīng)網(wǎng)絡(luò)：TVNet
22繁仁、CVPR 2018 | Spotlight論文：變分U-Net涉馅，可按條件獨(dú)立變換目標(biāo)的外觀和形狀
來自德國(guó)海德堡大學(xué)的研究者提出了條件 U-Net，將變分自編碼器輸出的外觀條件化黄虱。實(shí)驗(yàn)證明稚矿，這個(gè)模型能夠完成條件圖像生成和轉(zhuǎn)換。在多個(gè)數(shù)據(jù)集上進(jìn)行的定性和定量實(shí)驗(yàn)表明捻浦，該方法比目前最先進(jìn)的方法都有所提升晤揣。
- 以下論文解讀來源于paperweekly
23、Unsupervised Person Image Synthesis in Arbitrary Poses
CVPR 2018 Spotlight 論文朱灿，ReID + GAN 換 pose昧识。本文用了較多的篇幅講 loss function，pose 的提取用的是 OpenPose 這個(gè)庫盗扒。 其 loss 分為三部分： Image Adversarial Loss跪楞、 Pose Loss、Identity Loss侣灶。
24甸祭、Person Transfer GAN to Bridge Domain Gap for Person Re-Identification
CVPR 2018 RE-ID Spotlight 一篇，這篇文章主要 contribution 有以下兩點(diǎn)：
提出了一個(gè)新的更大的數(shù)據(jù)集褥影，更為細(xì)致：考慮到了視角池户，光照等更為細(xì)致的因素，具體參數(shù)可以直接看文章伪阶；多個(gè)數(shù)據(jù)集間的差異煞檩，即 domain-gap，通過 GAN 來生成和模仿栅贴。
25斟湃、Disentangled Person Image Generation
在 NIPS 2017 上，該團(tuán)隊(duì)已經(jīng)為我們貢獻(xiàn)了 Pose Guided Person Image Generation 這篇非常棒的文章檐薯，在 CVPR 2018 中凝赛，他們推出的更新的這篇文章不僅僅解決了換 pose 問題注暗，還實(shí)現(xiàn)了”隨心所欲“的換裝換 pose，入選今年的 Spotlight墓猎。
26捆昏、Practical Block-wise Neural Network Architecture Generation
CVPR 2018 Oral 一篇，本文主要提出了通過封裝模塊（block-wise）的方法毙沾，運(yùn)用增強(qiáng)學(xué)習(xí)設(shè)計(jì)生成網(wǎng)絡(luò)架構(gòu)的方法骗卜。
CVPR 2018 Oral左胞，topic：網(wǎng)絡(luò)設(shè)計(jì)模塊化寇仓。如名所示，提出了 aggregation 的具體思路烤宙，并在層融合上提出了具體方式遍烦。
28、Learning Face Age Progression: A Pyramid Architecture of GANs
CVPR 2018 Oral躺枕，文中提出了特征提取器用于提出特定特征服猪，原因是作者認(rèn)為相同年齡段的不同人臉有著相同的的紋理等特定信息，而這個(gè)提取器就是提取出這些特征拐云。此外罢猪，該分類器是經(jīng)過 age 分類任務(wù)預(yù)訓(xùn)練好了的。
29慨丐、Convolutional Neural Networks with Alternately Updated Clique
北大團(tuán)隊(duì)提出的新的 block 設(shè)計(jì)坡脐，achieves the performance of the state of the art with less parameters.泄私。由于 block 內(nèi)任意兩層互連房揭，故實(shí)現(xiàn)了 top-bottom refinement，也就實(shí)現(xiàn)了 attention 機(jī)制晌端。文中還提到了部分 technique捅暴。
30、Unsupervised Discovery of Object Landmarks as Structural Representations
CVPR 2018 Oral咧纠， 今年 CVPR Landmark 和 Attention 這兩個(gè)詞出現(xiàn)的頻率很高∨钛鳎現(xiàn)在看到的是第二版，對(duì)該文進(jìn)行了更深入的研究后完成漆羔。
31梧奢、An Analysis of Scale Invariance in Object Detection - SNIP
CVPR 2018 Oral，文章主要解決網(wǎng)絡(luò)處理不同 scale 圖片的網(wǎng)絡(luò)策略演痒。
32亲轨、Wasserstein Introspective Neural Networks
文章主要做的事情就是提出了基于 Wasserstein 的 INN，該組已經(jīng)在 ICCV鸟顺，NIPS 等多次提出并改進(jìn)該模型惦蚊，該模型主要做的就是將 GAN 中的 G 和 D 結(jié)合起來器虾。
33、Im2Flow: Motion Hallucination from Static Images for Action Recognition
CVPR 2018 Oral,用 u-net 訓(xùn)練一個(gè)模型：輸入是一個(gè)靜態(tài)的幀蹦锋，輸出的預(yù)測(cè)的五幀光流信息兆沙，模型在 YouTube 數(shù)據(jù)集上訓(xùn)練。
34莉掂、What have we learned from deep representations for action recognition?
CVPR 2018 Zisserman 的新論文葛圃，這篇文章就是 two-stream 模型中間層的可視化方法，換句話說憎妙，就是探尋 two-stream 模型學(xué)到了怎樣的時(shí)空信息装悲。
35、Squeeze-and-Excitation Networks
考慮通道加權(quán)尚氛，用全局池化后訓(xùn)練的全連層作為權(quán)重诀诊，相當(dāng)于在 channels 上加了一個(gè) attention 機(jī)制，給不同的 channel 不同的權(quán)重阅嘶。
36属瓣、Actor and Action Video Segmentation from a Sentence
CVPR 2018 Oral，本文定義了一個(gè)新的任務(wù)：給出一個(gè)句子讯柔，根據(jù)該句子分割視頻中的 actor 及其 action抡蛙。
37、Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering
CVPR 2018 Oral魂迄，主題是 attention+VQA粗截，本文的主要思路是用 faster-rcnn 提取出 proposal，然后用其做 image captioning 或者 VQA捣炬，該方法取得了 2017 VQA Challenge 的第一名熊昌。
38、Embodied Question Answering
這篇文章主要定義了一個(gè)新的 task 并給出了一個(gè)數(shù)據(jù)集湿酸。將一個(gè) agent 隨機(jī)丟進(jìn)一個(gè)房間婿屹，向他提出一個(gè)問題，這個(gè) agent 需要自己導(dǎo)航并回答問題推溃。
39昂利、Taskonomy: Disentangling Task Transfer Learning
本文定義了一個(gè)新的任務(wù)，針對(duì)在視覺內(nèi)的遷移學(xué)習(xí)铁坎，并提出了一個(gè)蠻大的數(shù)據(jù)庫蜂奸， 定義的任務(wù)是這樣的：vision task 類目很多，只針對(duì)某個(gè)問題來解決的話硬萍，會(huì)需要很大的標(biāo)注的數(shù)據(jù)集扩所，但我們不難想到的是，一個(gè)視覺任務(wù)的解決應(yīng)該能夠一定程度的解決另一個(gè)視覺任務(wù)襟铭，畢竟一個(gè)成熟模型的構(gòu)建意味著對(duì)該 image 的一定的理解碌奉，而這部分的理解的一部分或許對(duì)另一個(gè) task 有助益短曾，例，物體 relation 的理解對(duì)深度信息的學(xué)習(xí)毫無疑問是有著助益的赐劣。
40嫉拐、Detail-Preserving Pooling in Deep Networks
CVPR 2018 Oral，顧名思義魁兼，提出了保留 detail 的池化方法婉徘。 max/avg pooling 一個(gè)只選取最大而忽略與周圍像素的關(guān)聯(lián)性，一個(gè)重視關(guān)聯(lián)性卻又直接抹平咐汞，并且在實(shí)際梯度計(jì)算中也有一些 drawback盖呼，所以該文提出了這個(gè)新方法，一句話概括化撕，就是在池化過程中學(xué)了一個(gè)動(dòng)態(tài)的 weight几晤。
41、High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs
CVPR 2018 Oral植阴，本文解決了 GAN 生成高分辨率突破的問題蟹瘾，分辨率達(dá)到了 2048*1024，方法精細(xì)掠手，值得深入來看憾朴。
本文摘抄自知乎
