CVPR 2017 论文解读集锦

计算机视觉顶会之一的CVPR2017已经于7月21日至7月26日在夏威夷举行按成。下面为目前关于CVPR2017的论文的文章总结。欢迎大家收藏并推荐~（小助手微信：Extreme-Vision）

所有文章都已经出来，点击这里查看CVPR2017论文
CVPR 2017全部论文下载
百度云链接：https://pan.baidu.com/s/1Gx7Kg2GSobVxmq8PH3lzCQ
密码:提示：此内容登录后可查看

1.【简评】[CVPR2017]-(Loss Max-Pooling for Semantic Image Segmentation)
论文主要解决的是semantic segmentation中imbalanced training data distributions问题。在semantic segmentation数据集包括现实世界中存在明显的长尾分布的问题，即大多数的数据组成了小部分的类别，因此会导致学习器更偏向于这些类别。

2.CVPR 2017论文笔记— Dilated Residual Networks
这篇论文是作者将何恺明(Kaiming He)博士残差网络Deep Residual Networks与其之前研究的Dilated Convolution相结合的结果。

3.CVPR2017论文：使用VTransE网络进行视觉关系检测
知识表示学习的思想（TransE）已经被成功应用于视觉关系提取（Visual Relation Extraction），提交 CVPR 2017 的新论文《Visual Translation Embedding Network for Visual Relation Detection》提出的 VTransE 方法是在这方面所迈出的重要一步。清华大学计算机系助理研究员刘知远对此评论说：「视觉关系和语义关系既有重叠又有互补，未来会有很多有趣的问题值得探索。」

4.CVPR2017：深度纹理编码网络 (Deep TEN: Texture Encoding Network)
文中论文提出了一个新的深度学习模型，这个模型推广了传统的字典学习 (dictionary learning) 和残差编码 (Residual Encoders)。

5.CVPR 2017论文：基于网格的运动统计，用于快速、超鲁棒的特征匹配（附大神解读）
论文GMS的方法实际上是消除错误匹配的一种方案，比如可以替换ransac。算法执行的大致流程是：先执行任意一种特征点的检测和特征点的描述子计算，论文中采用的是ORB特征。然后执行暴力匹配BF，最后执行GMS以消除错误匹配。

6.CVPR 2017 目标跟踪相关论文
文中包括main conference中单目标跟踪相关的论文，总共11篇，相关滤波7篇，其中1篇是oral，3篇用到卷积特征，相关滤波占了64%，(非卷积特征的)CNN相关4篇，可以看出目标跟踪现在最火的是相关滤波和深度学习。

7.论文笔记——CVPR 2017 Annotating Object Instances with a Polygon-RNN
文章作者基于深度学习提出一种半自动目标事例标注（semi-automatic annotation of object instances）的算法。

8.CVPR 2017:Large Margin Object Tracking with Circulant Feature Maps
文章作者基于深度学习提出一种半自动目标事例标注（semi-automatic annotation of object instances）的算法。

9.目标跟踪算法：ECO:（Efficient Convolution Operators for Tracking）
Martin Danelljan的又一新作。继C-COT之后又一刷新纪录的作品。不管是从结果还是速度上都有提升，尤其是速度提升明显。用传统特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS。

10.CVPR 2017 值得关注的亮点（知乎问答）
各位大神在目标检测，目标跟踪，GAN等领域都提出了自己的看法，可以看看.

11.李飞飞协同斯坦福、CMU带来全新成果：从网络嘈杂的视频中进行学习
这项研究是李飞飞团队在今年CVPR上的一项最新工作，该方法提出了一种模型用于自动标注网络中巨量的嘈杂视频。

12.对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
本文将对抗学习引入到目标检测问题中，通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络，从而使得网络能够对遮挡和变形问题更加的 robust.

13.行人姿态估计--Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
多人姿态实时估计，这里主要亮点还是 多人实时+效果。

14.CVPR2017论文解读博客
博主解读了多篇CVPR2017论文，可以一读

15 微软亚洲研究院创研论坛 CVPR 2017 论文分享会
微软亚研院创研举办的关于CVPR2017的论文分享会，共有22篇论文10到15分钟的解读，涉及跟踪，检测，人脸再识别等多个计算机视觉主题。可以回看视频。

16 VALSE CVPR 2017专场
VALSE举办的三场关于cvpr217论文解读的线上分享，有大牛出现。

视频链接: https://pan.baidu.com/s/1o8MAWL8 （视频转自valse官方）
密码: 提示：此内容登录后可查看

17 CVPR 2017获奖论文
本届 CVPR 共有两篇最佳论文、两篇最佳论文提名、一篇最佳学生论文。苹果去年 12 月发表的对抗网络 SimGAN 研究，是两篇最佳论文之一。

18 CVPR 2017最佳论文解读：密集连接卷积网络
CVPR 2017获奖论文公布，其中一篇最佳论文为康奈尔大学、清华大学、Facebook FAIR 实验室合著的《Densely Connected Convolutional Networks》。在这篇文章中，Momenta 高级研发工程师胡杰对这篇文章进行了解读。此文为该系列专栏的第三篇。

19 CVPR 2017论文解读：用于单目图像车辆3D检测的多任务网络
车辆检测是一个经典的基于图像的目标检测问题，也是智能驾驶感知过程的核心问题之一。这篇文章主要处理单目图像中的车辆检测问题。

20.CVPR 2017论文解读：特征金字塔网络
这里介绍的文章是来自 Facebook 的特征金字塔网络 Feature Pyramid Networks(FPN)。FPN 主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升了小物体检测的性能。

21.阿里iDST CVPR 2017论文解读：视频衣物精确检索

这里介绍的文章是来自 Facebook 的特征金字塔网络 Feature Pyramid Networks(FPN)。FPN 主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升了小物体检测的性能。

22.Active Learning: 一个降低深度学习时间，空间，经济成本的解决方案

本文解读的是一篇CVPR论文，它主要解决了一个深度学习中的重要问题：如何使用尽可能少的标签数据来训练一个效果promising的分类器。

23.申发龙 | 关于语义图像分割：FCN和Guidance CRF
本文为极市分享干货。在这期分享中，发表过CVPR2017论文的申发龙，介绍了关于语义图像分割的内容。

24.CVPR 2017论文精选|不可思议的研究: EEG脑电波深度学习在视觉分类中的应用

本文中所述CVPR2017论文本质上的研究, 是从EEG脑电波提取视觉特征, 从而进行我们常见的视觉分类任务。

25.CVPR 2017 李飞飞总结 8 年 ImageNet 历史，宣布挑战赛最终归于 Kaggle
在CVRP 2017 会议上，李飞飞与 Jia Deng 在 ImageNet Workshop 上做主题演讲，对 8 年的 ImageNet 挑战赛历史进行了总结，并宣布之后的 ImageNet 挑战赛将转由 Kaggle 主办。

26.ActivityNet Challenge 2017 冠军方案分享
这篇文章中，ActivityNet Challenge冠军队伍成员之一林天威对他们采用的这个方案进行了介绍。

27.基于递归注意力模型的卷积神经网络：让精细化物体分类成为现实
在CVPR 2017会议上，微软亚洲研究院提出了“Recurrent Attention Convolutional Neural Network”（RA-CNN，基于递归注意力模型的卷积神经网络）网络结构。这种网络可以更精准地找到图像中有判别力的子区域，然后采用高分辨率、精细化特征描述这些区域，进而大大提高精细化物体分类的精度。

28.沈志强 | 如何让计算机自动生成稠密的视频描述
本文为极市分享干货。在本期分享中，UIUC联合培养博士沈志强，通过解读他最新的收录于CVPR2017的论文《Weakly Supervised Dense Video Captioning》，讲述了如何让计算机进行视频描述的自动生成。

(Update:2017/12/13)

推荐文章
ICCV 2017 论文解读集锦
NIPS 2017 论文解读集锦

微信公众号: 极市平台（ID: extrememart ）
每天推送最新CV干货