RepresentationFlowforActionRecognitionRepresentationFlowforActionRecognition这篇文章入选了CVPR2019，感谢AIStudio

简介CVPR是IEEEConferenceonComputerVisionandPatternRecognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。它是IEEE一年一度的学术性会议，会议的主要内容是计算机视觉与模式识别技术。CVPR是世界顶级的计算机视觉会议（三大顶会之一，另外两个是ICCV和ECCV），本会议每年都会有固

Siamese类SiamFC（ECCV2016）SiamRPN（CVPR2018Spotlight）：SiamFC+RPNDaSiamRPN（ECCV2018）SiamRPN++（CVPR2019）：ResNet

DeeperandWiderSiameseNetworksforReal-TimeVisualTracking论文地址代码写在前面又是一篇关于SiamRPN的改进，加深了网络宽度与深度，优化特征提取过程，效果很好。Motivation深度的网络如ResNet在其他视觉任务上都有很好的表现，然而却不能移植到目标跟踪领域中；网络太深导致最后特征的感受野太大，更加关注语义信息而缺少定位能力；网络的pad

Target-AwareDeepTracking论文地址Code写在前面又是有大牛Ming-HsuanYang的一篇论文，一作应该是哈工大的一个博士（只找到这个信息，欢迎大家来纠正），这篇文章的亮点就是他们提出的一个target-ware机制，他们认为对于同一个物体，他们对于最后分类的贡献应该是在相同的通道上的。因为跟踪目前都是将分类的网络迁移过来，然而分类的网络其实处理的是多类别的区分，而跟踪就

简介本文是MD在ECO系列之后的新paper，CVPR2019的oral，文章质量很高。

win10+python3.7+Anaconda+CUDA10.1+pytorch1.2.0+pysot配置笔记一、安装vs2019社区版，勾选python将cl.exe的路径加入环境变量，二、下载Anacondahttps://www.anaconda.com/distribution/#download-section配置环境变量三、安装CUDA10https://developer.nvid

安装cuda：在主目录下打.bashrc文件添加如下路径，设置环境变量。（如果没找到文件，可按Ctrl+H显示隐藏文件）终端运行：source~/.bashrc检查nvcc--version，查询CUDA是否安装成功解压cudnn：安装anaconda：https://www.anaconda.com/download/下载，是一个sh文件，下好后直接运行。加入环境变量：建立并激活环境：配置pyt

《AGeneralandAdaptiveRobustLossFunction》学习一、学习概述翻翻CVPR2019发现有好多论文不知道看啥，个人感觉图像检测和图像分类的都只是改进一小点，重大突破的好少，

UDT是中科大、腾讯AIlab和上交的研究者提出的无监督目标跟踪算法。仔细阅读过这篇文章之后，写下一篇paperreading加深印象。论文标题：UnsupervisedDeepTracking论文地址：https://arxiv.org/pdf/1904.01828.pdfGithub(pytorch)：https://github.com/594422814/UDT_pytorch主要思想：论

小全读论文《LearningwithoutMemorizing》CVPR2019一、Motivation二、Approach注意力区域的特征生成（Generatingattentionmaps）注意力区域的知识蒸馏三

ATOM:AccurateTrackingbyOverlapMaximization论文地址代码地址写在前面这是MD大神19年新作，按照传统，还是有高深的数学推导和什么Gauss-Newton，总之是看不懂的东西，理论很强了，然后他们用的还是SIamese的框架，说明现在Siamese框架确实很promising的，用了IoUNet来提精度，也引入了很多机制，比如尺度变化、Hardnegative

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/condaconfig--setshow_channel_urlsyescond

这篇文章是cvpr2019的oral，讲的是目标跟踪，作者martin是tracking领域的一个大神，有很多经典的文章，ECO就出自他之手。

CVPR2019《R2GAN:Cross-modalRecipeRetrievalwithGenerativeAdversarialNetwork》R2GANR^2GANR2GAN全称RetrievalGenerativeAdversarialNetwork

CV君汇总了过去一周计算机视觉领域新出的开源代码，涉及到图像增广、医学图像分割、图像恢复、目标检测、语义分割、超分辨率、显著目标检测、轻量级网络结构设计、网络规范化、标注工具等，其中有多篇来自CVPR2019

这篇论文提出的GIou损失函数，是一种目标检测领域用于回归目标框损失函数。该Trick适用于任何目标检测算法。本文以YOLOv3为例进行阐述。论文：GeneralizedIntersectionoverUnion:AMetricandALossforBoundingBoxRegression源码MSE回归策略在原始的YOLOv3中，利用MSE作为损失函数来进行目标框的回归，如下图所示，不同质量的预

Task-FreeContinualLearning来自CVPR2019，比利时鲁汶大学。当前continuallearning常假设，一次一个任务，所有当前数据可用，之前数据不可用。

Kotovenko,Dmytro,etal.“AContentTransformationBlockforImageStyleTransfer.”CVPR2019.风格迁移问题:X→YX\rightarrowYX→Y。源域为XXX，目标域为YYY本文中EEE为Encoder，主要负责提取图像内容信息，换句话说也就是去风格化。DDD为Decoder，主要负责将E()E()E()提取的内容信息还原为原

CVPR2019全部论文汇总：https://github.com/extreme-assistant/cvpr2019CVPR2019论文解读http://bbs.cvmart.net/topics/

STEP:Spatio-TemporalProgressiveLearningforVideoActionDetection学习时，别忘了总是要问自己一个为什么论文文章：STEP:Spatio-TemporalProgressiveLearningforVideoActionDetection链接：https://arxiv.org/pdf/1904.09288.pdf简介STEP为Spatio-

1.前言PointRCNN是一篇做3D目标检测的CVPR2019的文章。目前位居KITTI目标检测榜首的是PV-RCNN。这个算法的前身就是PointRCNN。它们的作者都是同一个人。

这篇论文题目为《RegionProposalbyGuidedAnchoring》，中了CVPR2019。

1introduction这篇cvpr2019文章提出了一种度量精确的单目3D目标检测端对端方法。

www.hongliangzhu.cn/2020/03/23/GCNet/概述GCNet:Non-localNetworksMeetSqueeze-ExcitationNetworksandBeyond【CVPR2019

上一篇我们介绍了导向滤波（GuideFilter），这次也介绍一个保边滤波，SideWindowFiltering，这个是CVPR2019的oral论文，在现在深度学习相关论文占据大半的CVPR上能够脱颖而出非常了不起

代码已开源，相关论文已被CVPR2019录用。以下是论文作者信息：论文链接：https://arxiv

最新的CVPR2019就有一篇关于Attention的总结。

原论文代码链接1.1stereo图像SR方法总结（1）StereoSR(CVPR2018)（2）：PASSRnet(CVPR2019)（3）：SPAMnet（AAAI2020） 

点击我爱计算机视觉标星，更快获取CVML新技术本文简要介绍2019年6月被CVPR2019录用论文“LookMoreThanOnce:AnAccurateDetectorforTextofArbitraryShapes

概况自2012年AlexNet提出以后涌现了大量的深度神经网络结构，例如VGG、Inception及ResNet等等，这些不同网络结构之间的性能差异不仅仅是由网络结构的差异造成的，其它很多小的trick，比如stridesize、学习率等等都会对结果带来很大的影响。为了综合评估各种手段对于训练结果的影响程度，本文对多种训练技巧进行了评估，并提出了一系列可以提升深度神经网络训练效果的trick。论文

Motivation：现有的基于深度卷积神经网络的方法主要专注于设计更深或者更宽的网络结构，却很少挖掘层间特征的相关性，从而降低了卷积神经网络的学习能力.整体思路：提出了一个二阶注意力网络(SAN)来实现更强大的特征表达和特征相关学习。提出了一种新的可训练的二阶通道注意力(SOCA)模块，进行相关性学习。提出了一种非局部增强的残差组(NLRG)结构，捕获远距离空间上下文信息。Github地址：ht

Motivation：基于参考图像的图像超分方法具有很大的潜力，但是当参考图像和LR图像不够相似时，或者未对齐时，图像的超分效果就会很差。整体思路：本文旨在利用来之参考图像的更多纹理信息来释放RefSR的潜力，即是在不提供相关的Ref图象时，也具有很强的鲁棒性。将RefSR问题形式化为神经纹理迁移问题，设计了端到端的模型，将Ref图像的纹理自适应的迁移，从而丰富HR图像细节，且在神经空间执行多层面

继盘点CVPR2019，ECCV2018Top20论文后：时隔一年，盘点CVPR2019影响力最大的20篇论文时隔两年，盘点ECCV2018影响力最大的20篇论文本文盘点ICCV2019的Top20的论文

论文链接发表于CVPR2019问题论文主要解决大雨场景下的图像存在rainaccumulation的问题。

这是CVPR2019的论文。旨在解决大规模增量学习的问题。显然，作者在论文中主要解决的问题是大规模数据，首先理解下作者说的“大规模”增量学习是多大？

CVPR2019:Attention-basedAdaptiveSelectionofOperationsforImageRestorationinthePresenceofUnknownCombinedDistortions

Meta-TransferLearningforFew-ShotLearning论文地址代码写在前面这是cvpr19年又一篇用meta-learning做few-shotlearning的文章,跟MAML不同的地方,就是它不做全部参数的finetune了,需要更新的参数变少,使得网络不容易过拟合当前的task,也使得网路收敛的快,同时还使用了hardsamplemining的方式来提高网络的精度.

end-to-endmulti-tasklearningwithattentionabstractintroductionrelatedworkMTANMTAN结构TaskSpecificAttentionModuleTheModelObjectiveexperimentsImagetoImagePrediction(OnetoMany)DatasetsbaselinesDynamicWeight

虚拟现实和增强现实中的应用程序要求快速创建和轻松访问大量3D模型。解决此需求的有效方法是基于参照物，例如非常容易获取的2D图像，对现有3D模型进行编辑或变形。给定这样的源3D模型和目标（可以是2D图像，3D模型或作为深度扫描获取的点云），我们引入了3DN，这是使源模型变形以类似于源3D的端到端网络。目标。我们的方法会推断每个顶点的偏移位移，同时保持源模型的网格连接固定。我们提出了一种训练策略，该策

本文《ScratchDet:TrainingSingle-ShotObjectDetectorsfromScratch》提出了一种从零开始训练的单步目标检测器ScratchDet，并基于root-block设计了新的基础网络Root-ResNet。ScratchDet的性能在现有从头开始训练的目标检测模型中达到最佳，且优于部分基于预训练基础网络的检测模型。论文地址:https://arxiv.or

CollaborativeSpatiotemporalFeatureLearningforVideoActionRecognition视频动作识别的协同时空特征学习论文地址：https://arxiv.org/pdf/1903.01197.pdf作者：ChaoLi,QiaoyongZhong,DiXie,ShiliangPu本文为CVPR2019

MediaPipe是谷歌在CVPR2019会议上开源的一个感知和增强现实的框架。该框架基于图，可在移动设备、工作站和服务器上跨平台运行，并支持移动GPU加速。

参考链接：https://github.com/extreme-assistant/cvpr2019；https://github.com/extreme-assistant/cvpr2019/blob

cvpr2019有两篇文章是关于人脸聚类的1.learningtoClusterFacesonanaffinityGraph链接：https://arxiv.org/pdf/1904.02749.pdf2

全球计算机视觉三大顶级会议之一CVPR2019将于当地时间6月16-20日在美国洛杉矶举办。届时，旷视研究院将带领团队远赴盛会，助力计算机视觉技术的交流与落地。

一、文献概况文章题目：《MUREL:MultimodalRelationalReasoningforVisualQuestionAnswering》CVPR2019年的文章。

CVPR2019中的AttentionPapers关键词：注意力机制ICLR2020中的AttentionPapersICLR2017-2019中的AttentionPapersCVPR2019中的AttentionPapersCVPR2018

one-shotdetectionframeworkforGeospatialObjectsinRemoteSensingImages提出一种新的目标检测思路，用来解决小样本情况下的目标检测问题.来源：cvpr2019

CompetitiveCollaboration:JointUnsupervisedLearningofDepth,CameraMotion,OpticalFlowandMotionSegmentation发表信息：CVPR2019