1470篇！CVPR2020结果出炉（附13篇论文链接/开源代码/解读）

点击上方“视学算法”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转载自：极市平台

编辑：Amusi（CVer）

今天，计算机视觉三大顶会之一CVPR2020接收结果已经公布，一共有1470篇论文被接收，接收率为22%，相比去年降低3个百分点，竞争越来越激烈。

计算机视觉顶会CVPR2020官方今日发布接收论文列表（编号）：

http://cvpr2020.thecvf.com/sites/default/files/2020-02/accepted_list.txt

虽然我们目前还只能看到官方公布的接收论文ID，具体的接收论文还不清楚，但部分作者已经展示了自己被接收的工作，有些更是已经放出了开源代码。因此，经过小编的努力，我们收集了一批论文以及来自作者的介绍（因为无官方通知，如有错误，欢迎指出），列表如下，大家可以先去阅读一番了。

1.GhostNet: More Features from Cheap Operations（超越Mobilenet v3的架构）

论文链接：https://arxiv.org/pdf/1911.11907arxiv.org

模型（在ARM CPU上的表现惊人）：https://github.com/iamhankai/ghostnetgithub.com

We beat other SOTA lightweight CNNs such as MobileNetV3 and FBNet.

2. AdderNet: Do We Really Need Multiplications in Deep Learning? （加法神经网络）

在大规模神经网络和数据集上取得了非常好的表现

论文链接：https://arxiv.org/pdf/1912.13200

论文链接：https://github.com/huawei-noah/AdderNet

3. Frequency Domain Compact 3D Convolutional Neural Networks （3dCNN压缩）

论文链接：https://arxiv.org/pdf/1909.04977

开源代码：https://github.com/huawei-noah/CARSgithub.com

4. A Semi-Supervised Assessor of Neural Architectures （神经网络精度预测器 NAS）

5. Hit-Detector: Hierarchical Trinity Architecture Search for Object Detection （NAS 检测）

backbone-neck-head一起搜索， 三位一体

6. CARS: Contunuous Evolution for Efficient Neural Architecture Search (连续进化的NAS)

高效，具备可微和进化的多重优势

论文链接：https://arxiv.org/abs/1909.04977

7. On Positive-Unlabeled Classification in GAN （PU+GAN）

8. Learning multiview 3D point cloud registration（3D点云）

论文链接：arxiv.org/abs/2001.05119

9. Multi-Modal Domain Adaptation for Fine-Grained Action Recognition（细粒度动作识别）

论文链接：arxiv.org/abs/2001.09691

10. Action Modifiers:Learning from Adverbs in Instructional Video

论文链接：arxiv.org/abs/1912.06617

11. PolarMask: Single Shot Instance Segmentation with Polar Representation（实例分割建模）

论文链接：arxiv.org/abs/1909.13226

论文解读：https://zhuanlan.zhihu.com/p/84890413

开源代码：https://github.com/xieenze/PolarMask

12. Rethinking Performance Estimation in Neural Architecture Search（NAS）

由于block wise neural architecture search中真正消耗时间的是performance estimation部分，本文针对 block wise的NAS找到了最优参数，速度更快，且相关度更高。

13. Distribution Aware Coordinate Representation for Human Pose Estimation（人体姿态估计）

论文链接：arxiv.org/abs/1910.06278

Github：https://github.com/ilovepose/DarkPose

作者团队主页：https://ilovepose.github.io/coco/

注：

以上工作1-7来自知乎作者王云鹤的回答：

https://www.zhihu.com/question/372070853/answer/1035056133

11来自知乎作者Johnny ez的回答：

https://www.zhihu.com/question/372070853/answer/1035186479

12来自知乎作者雨宫夏一的回答：

https://www.zhihu.com/question/372070853/answer/1035234510

13来自极市开发者

麻烦给我一个在看！