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(guān)于CVPR2017的論文解讀的文章總結(jié)。歡迎大家收藏并推薦~（小助手微信：Extreme-Vision）

所有文章都已經(jīng)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(shù)據(jù)集包括現(xiàn)實世界中存在明顯的長尾分布的問題，即大多數(shù)的數(shù)據(jù)組成了小部分的類別，因此會導(dǎo)致學(xué)習(xí)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(wǎng)絡(luò)Deep Residual Networks與其之前研究的Dilated Convolution相結(jié)合的結(jié)果。

3.CVPR2017論文：使用VTransE網(wǎng)絡(luò)進行視覺關(guān)系檢測

知識表示學(xué)習(xí)的思想（TransE）已經(jīng)被成功應(yīng)用于視覺關(guān)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(xué)計算機系助理研究員劉知遠對此評論說：「視覺關(guān)系和語義關(guān)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(wǎng)絡(luò) (Deep TEN: Texture Encoding Network)

文中論文提出了一個新的深度學(xué)習(xí)模型，這個模型推廣了傳統(tǒng)的字典學(xué)習(xí) (dictionary learning) 和殘差編碼 (Residual Encoders)。

5.CVPR 2017論文：基于網(wǎng)格的運動統(tǒng)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(zhí)行的大致流程是：先執(zhí)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(zhí)行暴力匹配BF，最后執(zhí)行GMS以消除錯誤匹配。

6.CVPR 2017 目標跟蹤相關(guān)論文

文中包括main conference中單目標跟蹤相關(guān)的論文，總共11篇，相關(guān)濾波7篇，其中1篇是oral，3篇用到卷積特征，相關(guān)濾波占了64%，(非卷積特征的)CNN相關(guān)4篇，可以看出目標跟蹤現(xiàn)在最火的是相關(guān)濾波和深度學(xué)習(xí)。

7.論文筆記——CVPR 2017 Annotating Object Instances with a Polygon-RNN

文章作者基于深度學(xué)習(xí)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(xué)習(xí)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(jié)果還是速度上都有提升，尤其是速度提升明顯。用傳統(tǒng)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(guān)注的亮點（知乎問答）

各位大神在目標檢測，目標跟蹤，GAN等領(lǐng)域都提出了自己的看法，可以看看.

11.李飛飛協(xié)同斯坦福、CMU帶來全新成果：從網(wǎng)絡(luò)嘈雜的視頻中進行學(xué)習(xí)

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(wǎng)絡(luò)中巨量的嘈雜視頻。

12.對抗學(xué)習(xí)用于目標檢測--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

本文將對抗學(xué)習(xí)引入到目標檢測問題中，通過對抗網(wǎng)絡(luò)生成一下遮擋和變形的訓(xùn)練樣本來訓(xùn)練檢測網(wǎng)絡(luò)，從而使得網(wǎng)絡(luò)能夠?qū)φ趽鹾妥冃螁栴}更加的 robust.

13.行人姿態(tài)估計--Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

多人姿態(tài)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(chuàng)研論壇 CVPR 2017 論文分享會

微軟亞研院創(chuàng)研舉辦的關(guān)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(guān)于cvpr217論文解讀的線上分享，有大牛出現(xiàn)。

視頻鏈接:http://pan.baidu.com/s/1o8MAWL8密碼: x6i6（視頻轉(zhuǎn)自valse官方）

17CVPR 2017獲獎?wù)撐?/p>

本屆 CVPR 共有兩篇最佳論文、兩篇最佳論文提名、一篇最佳學(xué)生論文。蘋果去年 12 月發(fā)表的對抗網(wǎng)絡(luò) 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(wǎng)絡(luò)

CVPR 2017獲獎?wù)撐墓?#xff0c;其中一篇最佳論文為康奈爾大學(xué)、清華大學(xué)、Facebook FAIR 實驗室合著的《Densely Connected Convolutional Networks》。在這篇文章中，Momenta 高級研發(fā)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(wù)網(wǎng)絡(luò)

車輛檢測是一個經(jīng)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(wǎng)絡(luò)

這里介紹的文章是來自 Facebook 的特征金字塔網(wǎng)絡(luò) 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(wǎng)絡(luò)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(wǎng)絡(luò) 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(wǎng)絡(luò)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(xué)習(xí)時間，空間，經(jīng)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(xué)習(xí)中的重要問題：如何使用盡可能少的標簽數(shù)據(jù)來訓(xùn)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(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。

總結(jié)

以上是生活随笔為你收集整理的CVPR 2017论文集锦的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。