0
看了2020進度：▓▓▓▓▓▓????????? 43% ??，小助是日漸焦慮，感覺太多事情沒有做了~但事實上，小助又做了好多事情，下面就以“CVPR2020”會議為例，小助給大家細細總結一下。
一：論文解讀公開課
二：1466篇論文合集下載
三：文字論文解讀
四：有獎分享
直播主題：實體機器人導航中可遷移的元技能的無監督強化學習
主講人：李俊成
回放鏈接：http://www.mooc.ai/open/course/766
內容介紹：視覺導航任務要求智能體能夠智能地導航到指定的目標。當前基于深度強化學習的方法往往需要大量的訓練數據，而構建豐富的3D仿真環境以及提供任務相關標注是十分昂貴的。本文關注于在低資源的設定下完成視覺導航任務。本文通過提出無監督強化學習方法來獲得具有遷移能力的子策略，使得模型能夠快速遷移到視覺導航任務。在AI2-THOR環境中，我們的方法實現了最佳的性能，進一步的實驗分析證明我們的方法學習到了一些具備遷移能力的元技能，從而幫助模型實現更好的泛化。
直播主題：PolarMask: 一階段實例分割新思路
主講人：謝恩澤
回放鏈接：http://www.mooc.ai/open/course/789
內容介紹：實例分割是計算機視覺中一個比較基礎但是比較硬的問題，之前的方法高度依賴物體檢測的結果來做實例分割，如MaskR-CNN。實例分割如何擺脫檢測框的束縛仍然是一個沒有被很好解決的問題。
本次分享中，將主要介紹我們在這個問題的探索：PolarMask:Single Shot Instance Segmentation with Polar Representation。其中我們提出了一種一階段的實例分割方法，擺脫了檢測框的限制，其次我們的方法并不像傳統分割方法對圖中逐像素分類，而是通過輪廓建模的方式做實例分割。此外，我們還提出了兩種改進手段來持續提高性能。總而言之，這篇文章提出了一種新型的一階段的，基于輪廓出發的實例分割方法。
直播主題：SGAS：一種基于貪心思想的網絡結構搜索算法，同時支持CNN和GCN網絡結構搜索
主講人：李國豪
回放鏈接：http://mooc.yanxishe.com/open/course/800
內容介紹：在一般網絡結構搜索的算法里常常發生搜索階段表現得很好的（超)網絡在最后進行重新訓練評估性能時表現得相當較差的現象，這種情況的發生主要是搜索算法在搜索階段沒法很好地反應模型最終評估階段的真正性能，本工作提出一種順序貪心決策的搜索算法減輕了模型性能排名不一致的問題，同時支持CNN和GCN的網絡結構搜索，并應用到了CNN圖像分類，GCN點云分類和GCN生物圖數據節點分類上。
直播主題：數據與模型缺陷：不完美場景下的神經網絡訓練方法
主講人：Louis（騰訊）
回放鏈接：http://mooc.yanxishe.com/open/course/797
內容介紹：深度學習的成功得益于大量的數據和很深的網絡模型。然而數據和模型往往不會特別理想，比如數據里存在著很多標簽噪音或者考慮到模型的推理速度，神經網絡的層數不能夠特別深。針對這些情況如何有效的訓練神經網絡是深度學習領域的熱點話題。特別是對于業務場景，數據住往存在很多缺陷，讓模型能夠自適應的從缺陷數據里學習是業務成功的保障。
本次講座將細致地講解數據和模型缺陷情況下神經網絡的有效訓練方法。相關技術已經在騰訊的眾多業務場景上(行人重識別，內容審核等）落地。
直播主題：長尾分布下的特征學習方法介紹及最新進展
主講人：劉家倫
回放鏈接：https://mooc.yanxishe.com/open/course/809
內容介紹：真實世界中的數據分布總是呈現出長尾分布模式，即少量類別（頭部類）擁有大量數據，而大部分的類別（尾部類）僅有少量的樣本，導致模型訓練過程中出現嚴重的偏差，使得長尾分布下的特征學習格外困難。
本次分享將重點介紹 CVPR 2020上的一篇論文“Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective”。本文提出了“feature cloud”的概念，在模型訓練過程中，為每一個尾部數據構建“feature cloud”，就像電子云填充空曠的原子一樣，將一個真實的尾部特征表示為一簇特征，以此實現對尾部數據的data augmentation。方法簡潔、高效，避免了像GAN這樣復雜的操作。另外，“feature cloud”在實際的大規模呈現長尾分布的業務數據上取得了顯著的性能提升。
直播主題：自監督學習在視覺場景中的研究新進展
主講人：詹曉航、李順愷
回放鏈接：https://mooc.yanxishe.com/open/course/837
內容介紹：自監督學習是指從數據本身產生某種形式的標簽并訓練神經網絡，用來解決某些特定任務或者學習通用的圖像、視頻、語言的特征表達。在學術界，自監督學習被證明可以解決光流預測、深度估計、場景遮擋等問題，不需要額外的人工標簽。另外，基于自監督學習的無監督表征學習近年來也獲得了飛速發展，大有超越有監督表征學習的趨勢。
本次talk將結合兩篇CVPR 2020 Oral文章，講解自監督學習方法在場景去遮擋、視覺里程計方面的最新成果。
本屆CVPR共收到6656篇投稿，有1470篇論文被接收，錄用率約22%，創下十年以來的最低記錄，被稱為“最難的一屆CVPR”。最近官方已經發出了全部論文的下載鏈接，小助整理成了一個文件夾，方便大家一鍵下載。
下載鏈接：https://www.yanxishe.com/resourceDetail/1738
或者掃碼收藏，下載
CVPR2020論文收錄結果剛剛公布的時候，小助就和小伙伴一起聯系同學們做論文解讀的分享了，詳細的小助就不一一細說了，大家看鏈接。
01. PolarMask：將實例分割統一到FCN，有望在工業界大規模應用
02. RandLA-Net:大場景三維點云語義分割新框架（已開源）
03. 17篇入選CVPR 2020，騰訊優圖 9 篇精選論文詳解
04. 化繁為簡，弱監督目標定位領域的新SOTA - 偽監督目標定位方法
05. 挑戰 11 種 GAN的圖像真偽，DeepFake鑒別一點都不難
08. 視覺-語言導航新篇章：真實場景下的遠程物體定位導航任務
14. 曠視研究院提出Circle Loss，革新深度特征學習范式
18. MetaFuse：用于人體姿態估計的預訓練信息融合模型
21. 挖坑等跳，FineGym，一個面向細粒度動作分析的層級化高質量數據集
23. 基于空間修剪的 NAS 算法
24. 可擴展且高效，谷歌提出目標檢測“新標桿”
CVPR 2020將于6月14日正式線上開始，由于時差和網絡等各項原因，導致線上參會并沒有達到“分享工作”“討論工作”的目的，為了讓更多的工作讓更多的人參與討論，了解，我們現在誠摯邀請各位 “CVPR2020”作者同學進行分享，讓你的工作被更多所知。沒有論文的同學也可以參與哦~
發布內容小組：https://www.yanxishe.com/meeting/44
獲獎規則：
原作者推薦自己CVPR2020論文，即可獲得AI研習社定制保溫杯一個
原作者上傳CVPR 2020論文分享視頻（給CVPR官方視頻即可），即可獲得AI研習社定制保溫杯+AI研習社定制T恤一件
原作者發布自己CVPR2020論文解讀，即可獲得AI研習社定制保溫杯+AI研習社定制背包一個
非原作者，推薦三篇CVPR2020相關論文，即可獲得研習社定制保溫杯一個
非原作者發布兩篇論文解讀，即可獲得AI研習社定制T恤一件（如果是轉載，請注明來源）；若是原創解讀，可獲得AI研習社定制保溫杯+AI研習社定制T恤一件
注：視頻請發到郵箱huangmeiling@yanxishe.com
活動時間：2020年6月12日-6月22日
有任何問題，請聯系“AI研習社頂會小助手”微信！
添加小助手，備注【CVPR】，即可進入會議交流群
雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
