公众号内容拓展学习笔记（2022.5.29）

公众号内容拓展学习笔记（2022.5.29）

---

今日要点

1. 基于跨模态元迁移，美图&大连理工的参考视频目标分割方法只需单阶段 ⭐️⭐️

   • Abstract: 基于跨模态元迁移，美图&大连理工的参考视频目标分割方法只需单阶段
   • Paper: You Only Infer Once: Cross-Modal Meta-Transfer for Referring Video Object Segmentation
   • Tips: 该研究提出了一种跨模态元迁移的端到端 RVOS 框架 ——YOFO，只需单阶段推理，即可实现利用参考文本信息直接得到视频目标的分割结果；提出了一个元迁移（Meta-Transfer）模块来增强时序信息，从而实现了更聚焦于目标的特征学习；提出了一个多尺度跨模态特征挖掘（Multi-Scale Cross-Modal Feature Mining）模块，能够充分融合语言、图片中的有用特征。

2. 3D车道线单目检测方法ONCE-3DLanes ⭐️⭐️

   • Abstract: 3D车道线单目检测方法ONCE-3DLanes
   • Paper: ONCE-3DLanes: Building Monocular 3D Lane Detection
   • Code: https://github.com/once-3dlanes/once_3dlanes_benchmark
   • Tips: 该文提出一个真实世界的自动驾驶数据集，ONCE-3DLanes，具有3-D空间的车道线布局标注。通过点云和图像像素之间的显式关系，文章设计了该数据集标注流水线，从211K个道路场景的2D车道线标注，自动生成高质量的3D车道线位置。此外，作者还提出一种无外参、无锚点的方法，称为SALAD，在图像视图中回归车道线的3D坐标，而无需将特征地图转换为BEV。

3. 浙大提出神经3D重建新工作！收录图形学顶会SIGGRAPH 2022 ⭐️⭐️

   • Abstract: 浙大提出神经3D重建新工作！收录图形学顶会SIGGRAPH 2022
   • Paper: Neural 3D Reconstruction in the Wild
   • Code: https://zju3dv.github.io/neuralrecon-w
   • Tips: 这项研究的基本框架借鉴了NeurIPS 2021上的NeuS，一种把隐式神经标准和体积渲染结合起来的方法。考虑NeuS的一些不足，研究人员提出体素引导（Voxel-guided）和表面引导（Surface-guided）混合的新采样方法。

4. CVPR 2022 | 图森未来提出小目标检测工作QueryDet：使用级联稀疏query加速高分辨率下的小目标检测 ⭐️⭐️

   • Abstract: 图森未来提出小目标检测工作QueryDet：使用级联稀疏query加速高分辨率下的小目标检测
   • Paper: QueryDet: Cascaded Sparse Query for Accelerating High-Resolution Small Object Detection
   • Code: https://github.com/ChenhongyiYang/QueryDet-PyTorch
   • Tips: QueryDet利用high-resolution feature来提升小目标检测性能的同时，通过CSQ机制，利用高层低分辨率特征初筛含有小目标的区域，在高分辨特征层上利用初筛获得的位置，使用sparse convolution，极大地节约了计算消耗。

5. Science：睡眠医学的突破，大脑会在梦境中巩固积极情绪 ⭐️⭐️

   • Abstract: 睡眠医学的突破，大脑会在梦境中巩固积极情绪
   • Paper: Paradoxical somatodendritic decoupling supports cortical plasticity during REM sleep
   • Tips: 在这项研究中，科学家们发现大脑会在梦境睡眠中对情绪进行分类，并巩固积极情绪的储存，同时抑制消极情绪。研究人员表示，这项工作强调了睡眠在心理健康中的重要性，并开辟了新的治疗策略。

6. ACL 2022 | 蚂蚁、北大提出基于层次化对比学习的文本生成框架，提升支付宝搜索体验 ⭐️⭐️

   • Abstract: 蚂蚁、北大提出基于层次化对比学习的文本生成框架，提升支付宝搜索体验
   • Paper: Keywords and Instances: A Hierarchical Contrastive Learning Framework Unifying Hybrid Granularities for Text Generation
   • Tips: 研究者提出了一种多粒度对比生成方法，设计了层次化对比结构，在不同层级上进行信息增强，在句子粒度上增强学习整体的语义，在词粒度上增强局部重要信息。

Others

• 由于图片权限问题，GitHub是完整版，可以点点 star
• 星标的数量是与个人相关程度，不代表文章内容的好坏
• 关注我的个人网站
• 关注我的CSDN博客
• 关注我的哔哩哔哩
• 关注我的公众号CV伴读社