大家好，CVPR 2020论文开源项目汇总：一页概览，包含代码及论文资源相信很多的网友都不是很明白，包括也是一样，不过没有关系，接下来就来为大家分享关于CVPR 2020论文开源项目汇总：一页概览，包含代码及论文资源和的一些知识点，大家可以关注收藏，免得下次来找不到哦，下面我们开始吧！
本届CPVR共接收6656篇论文，中选1470篇，“中标率”只有22%，堪称十年来最难的一届。
刨去接受率低这件事，从论文本身出发，在中选论文中还是有很多值得我们去借鉴和学习的精品。
今日GitHub上便出现了一个项目，将本届CVPR论文开源项目做了个集合。
目标检测
论文题目：
Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
研究人员提出了一种自适应训练样本选择 (ATSS)，根据对象的统计特征自动选择正样本和负样本。它显著地提高了基于锚点和无锚点探测器的性能，并弥补了两者之间的差距。
最后，还讨论了在图像上每个位置平铺多个锚点来检测目标的必要性。
论文地址：https://arxiv.org/abs/1912.02424
代码：https://github.com/sfzhang15/ATSS
目标跟踪
论文题目：
MAST: A Memory-Augmented Self-supervised Tracker(注：不确定是否中选)
这篇论文提出了一种密集的视频跟踪模型 (无任何注释)，在现有的基准上大大超过了之前的自监督方法(+15%)，并实现了与监督方法相当的性能。
首先通过深入的实验，重新评估用于自监督训练和重建损失的传统选择。其次，通过使用一个重要的内存组件来扩展架构，从而进一步改进现有的方法。而后，对大规模半监督视频对象分割进行了基准测试，提出了一种新的度量方法：可泛化 (generalizability)。
论文地址：https://arxiv.org/abs/2002.07793
代码：https://github.com/zlai0/MAST
实例分割
论文题目：
PolarMask: Single Shot Instance Segmentation with Polar Representation
FCOS本质上是一种FCN的dense prediction的检测框架，可以在性能上不输anchor based的目标检测方法。
贡献在于，把更复杂的实例分割问题，转化成在网络设计和计算量复杂度上和物体检测一样复杂的任务，把对实例分割的建模变得简单和高效。
论文地址：https://arxiv.org/abs/1909.13226
代码：https://github.com/xieenze/PolarMask
其他论文：
CenterMask : Real-Time Anchor-Free Instance Segmentation
论文地址：https://arxiv.org/abs/1911.06667
代码：https://github.com/youngwanLEE/CenterMask
Deep Snake for Real-Time Instance Segmentation
论文地址：https://arxiv.org/abs/2001.01629
代码：https://github.com/zju3dv/snake
NAS
论文题目：
CARS: Continuous Evolution for Efficient Neural Architecture Search
在最近的迭代中，在一个超网中共享参数的种群中的架构，将在具有几个epoch的训练数据集上进行调优。下一个演化迭代中的搜索将直接继承超网和种群，加速了最优网络的生成。进一步采用非支配排序策略，仅保留Pareto前沿的结果，以精确更新超网。
经过0.4天的GPU连续搜索，可以生成多个模型大小和性能不同的神经网络。这些网络超过了基准ImageNet数据集上最先进方法产生的网络。
论文地址：https://arxiv.org/abs/1909.04977
代码(即将开源)：https://github.com/huawei-noah/CARS
人脸表情识别
论文题目：
Suppressing Uncertainties for Large-Scale Facial Expression Recognition
具体来说，SCN从两个不同的方面抑制了不确定性：⑴在小批量上的自关注机制，通过排名规则化对每个训练样本进行加权；⑵重新贴标签机制，在排名最低的组中修改这些样本的标签。
论文地址：https://arxiv.org/abs/2002.10392
代码(即将开源)：https://github.com/kaiwang960112/Self-Cure-Network
人体姿态估计
2D人体姿态估计
论文题目：
The Devil is in the Details: Delving into Unbiased Data Processing for Human Pose Estimation
所有计算机视觉的任务都需要和数据处理打交道，但在关键点检测问题上，数据处理显得尤为重要。在关键点检测任务上，数据处理尚未被系统的学习，因此这篇文章关注了人体关键点检测问题的数据处理，认为它是算法的一个极其重要的组成部分。
在系统地分析这个问题的时候，发现现有的所有的state-of-the-art在这个环节上都会存在两个方面的问题：一个是在测试过程中，如果使用flip ensemble时，由翻转图像得到的结果和原图得到的结果并不对齐。另外一个是使用的编码解码(encoding-decoding)方法存在较大的统计误差。
这两个问题耦合在一起，产生的影响包括：估计的结果不准确、复现指标困难、有较大可能使得实验的结果结论不可靠。
论文地址：https://arxiv.org/abs/1911.07524
代码：https://github.com/HuangJunJie2017/UDP-Pose
其他论文：
Distribution-Aware Coordinate Representation for Human Pose Estimation
论文地址：https://arxiv.org/abs/1910.06278
代码：https://github.com/ilovepose/DarkPose
3D人体姿态估计
论文题目：
VIBE: Video Inference for Human Body Pose and Shape Estimation
由于缺乏用于训练的ground-truth三维运动数据，现有的基于视频的最先进的方法无法生成准确和自然的运动序列。
关键创新是一个对抗性学习框架，它利用AMASS来区分真实的人类动作和由时间姿态、形状回归网络产生的动作。
论文地址：https://arxiv.org/abs/1912.05656
代码：https://github.com/mkocabas/VIBE
其他论文：
Compressed Volumetric Heatmaps for Multi-Person 3D Pose Estimation
论文地址：暂无
代码：https://github.com/anonymous-goat/CVPR-2020
点云
点云分类
论文题目：
PointAugment: an Auto-Augmentation Framework for Point Cloud Classification
还建立了一个可学习的点增强函数，该函数具有形状上的变换和点上的位移，并根据分类器的学习过程，精心设计了损失函数来采用增广后的样本。
论文地址：https://arxiv.org/abs/2002.10876
代码(即将开源)：https://github.com/liruihui/PointAugment/
场景文本检测/识别
论文题目：
ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network
论文地址：https://arxiv.org/abs/2002.10200
代码(即将开源)：https://github.com/Yuliang-Liu/bezier_curve_text_spottinghttps://github.com/aim-uofa/adet
超分辨率
视频超分辨率
论文题目：
Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video Super-Resolution
研究人员提出了一种基于LFR、LR视频直接合成HR慢动作视频的，单级空时视频超分辨率框架。
除此之外，还提出了一种可变形凸STM来同时对齐和聚合时态信息，以更好地利用全局时态上下文。最后，利用深度重构网络对HR慢动作视频帧进行预测。
论文地址：https://arxiv.org/abs/2002.11616
代码：https://github.com/Mukosame/Zooming-Slow-Mo-CVPR-2020
视觉语言导航
论文题目：
Towards Learning a Generic Agent for Vision-and-Language Navigation via Pre-training
通过以自监督的学习方式训练大量的图像-文本-动作三元组，预训练模型提供了视觉环境和语言指令的通用表示。
论文地址：https://arxiv.org/abs/2002.10638
代码(即将开源)：https://github.com/weituo12321/PREVALENT
其他
GhostNet: More Features from Cheap Operations
论文地址：https://arxiv.org/abs/1911.11907
代码：https://github.com/iamhankai/ghostnet
AdderNet: Do We Really Need Multiplications in Deep Learning?
论文地址：https://arxiv.org/abs/1912.13200
代码：https://github.com/huawei-noah/AdderNet
Deep Image Harmonization via Domain Verification
论文地址：https://arxiv.org/abs/1911.13239
代码：https://github.com/bcmi/Image_Harmonization_Datasets
其他GitHub论文项目地址：
https://github.com/charlesCXK/3D-SketchAware-SSC
https://github.com/Anonymous20192020/Anonymous_CVPR5767
https://github.com/avirambh/ScopeFlow
https://github.com/csbhr/CDVD-TSP
https://github.com/ymcidence/TBH
https://github.com/yaoyao-liu/mnemonics
https://github.com/meder411/Tangent-Images
https://github.com/KaihuaTang/Scene-Graph-Benchmark.pytorch
https://github.com/sjmoran/deep_local_parametric_filters
https://github.com/charlesCXK/3D-SketchAware-SSC
https://github.com/bermanmaxim/AOWS
传送门
GitHub项目地址：https://github.com/amusi/CVPR2020-Code
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
用户评论
这篇文章太棒了！对于想入门CVPR2020最新成果的学生来说，简直是神器。
有8位网友表示赞同！
终于不用翻N篇论文了，直接看到重点和能用的代码，效率太高了!
有10位网友表示赞同！
希望以后还有更多年份的开源项目分享，这样我们更方便学习最新的研究进展。
有19位网友表示赞同！
CVPR 论文一直都是行业里的金标准，这次开源项目真的太好了！
有20位网友表示赞同！
这篇文章帮我快速了解了今年最流行的计算机视觉方法，非常感谢作者!
有6位网友表示赞同！
代码写的都很清晰易懂，而且附带了详细的解释，新手也能上手学习。
有13位网友表示赞同！
太实用了！现在研究新项目的时候，可以先看看这个一页看尽，找到灵感和方向。
有12位网友表示赞同！
开源项目终于来了！希望更多科研成果能被公开分享，推动行业发展.
有17位网友表示赞同！
这篇文章让我对CVPR2020的论文研究有了更深入的了解，太感谢作者了!
有10位网友表示赞同！
想要快速掌握最新的计算机视觉技术，这个一页看尽绝对不能错过！
有5位网友表示赞同！
对于想要实践CVPR成果的学生或工程师来说，这份开源项目非常有用。
有5位网友表示赞同！
简洁明了的分析和易懂的代码，这篇文章为我节省了大量的时间!
有20位网友表示赞同！
希望未来更多的CVPR论文都能加入开源计划，让研究更加透明开放。
有15位网友表示赞同！
这篇文章让我对计算机视觉领域的最新趋势有了清晰认识。感谢作者!
有18位网友表示赞同！
强烈推荐给所有学习和应用计算机视觉技术的同学！
有18位网友表示赞同！
期待看到更多来自CVPR2020的开源项目，推动技术创新和发展。
有9位网友表示赞同！
作为一名工程师，这份开源项目能帮助我快速了解最新的研究成果，并将其应用到我的工作中。非常实用!
有8位网友表示赞同！
对于想要更深入学习计算机视觉的人来说，这篇一页看尽和附带的代码就像一本很好的入门教程！
有5位网友表示赞同！