0
看了2020进度：▓▓▓▓▓▓░░░░░░░░░ 43% ⛽️，小助是日渐焦虑，感觉太多事情没有做了~但事实上，小助又做了好多事情，下面就以“CVPR2020”会议为例，小助给大家细细总结一下。
一：论文解读公开课
二：1466篇论文合集下载
三：文字论文解读
四：有奖分享
直播主题：实体机器人导航中可迁移的元技能的无监督强化学习
主讲人：李俊成
回放链接：http://www.mooc.ai/open/course/766
内容介绍：视觉导航任务要求智能体能够智能地导航到指定的目标。当前基于深度强化学习的方法往往需要大量的训练数据，而构建丰富的3D仿真环境以及提供任务相关标注是十分昂贵的。本文关注于在低资源的设定下完成视觉导航任务。本文通过提出无监督强化学习方法来获得具有迁移能力的子策略，使得模型能够快速迁移到视觉导航任务。在AI2-THOR环境中，我们的方法实现了最佳的性能，进一步的实验分析证明我们的方法学习到了一些具备迁移能力的元技能，从而帮助模型实现更好的泛化。
直播主题：PolarMask: 一阶段实例分割新思路
主讲人：谢恩泽
回放链接：http://www.mooc.ai/open/course/789
内容介绍：实例分割是计算机视觉中一个比较基础但是比较硬的问题，之前的方法高度依赖物体检测的结果来做实例分割，如MaskR-CNN。实例分割如何摆脱检测框的束缚仍然是一个没有被很好解决的问题。
本次分享中，将主要介绍我们在这个问题的探索：PolarMask:Single Shot Instance Segmentation with Polar Representation。其中我们提出了一种一阶段的实例分割方法，摆脱了检测框的限制，其次我们的方法并不像传统分割方法对图中逐像素分类，而是通过轮廓建模的方式做实例分割。此外，我们还提出了两种改进手段来持续提高性能。总而言之，这篇文章提出了一种新型的一阶段的，基于轮廓出发的实例分割方法。
直播主题：SGAS：一种基于贪心思想的网络结构搜索算法，同时支持CNN和GCN网络结构搜索
主讲人：李国豪
回放链接：http://mooc.yanxishe.com/open/course/800
内容介绍：在一般网络结构搜索的算法里常常发生搜索阶段表现得很好的（超)网络在最后进行重新训练评估性能时表现得相当较差的现象，这种情况的发生主要是搜索算法在搜索阶段没法很好地反应模型最终评估阶段的真正性能，本工作提出一种顺序贪心决策的搜索算法减轻了模型性能排名不一致的问题，同时支持CNN和GCN的网络结构搜索，并应用到了CNN图像分类，GCN点云分类和GCN生物图数据节点分类上。
直播主题：数据与模型缺陷：不完美场景下的神经网络训练方法
主讲人：Louis（腾讯）
回放链接：http://mooc.yanxishe.com/open/course/797
内容介绍：深度学习的成功得益于大量的数据和很深的网络模型。然而数据和模型往往不会特别理想，比如数据里存在着很多标签噪音或者考虑到模型的推理速度，神经网络的层数不能够特别深。针对这些情况如何有效的训练神经网络是深度学习领域的热点话题。特别是对于业务场景，数据住往存在很多缺陷，让模型能够自适应的从缺陷数据里学习是业务成功的保障。
本次讲座将细致地讲解数据和模型缺陷情况下神经网络的有效训练方法。相关技术已经在腾讯的众多业务场景上(行人重识别，内容审核等）落地。
直播主题：长尾分布下的特征学习方法介绍及最新进展
主讲人：刘家伦
回放链接：https://mooc.yanxishe.com/open/course/809
内容介绍：真实世界中的数据分布总是呈现出长尾分布模式，即少量类别（头部类）拥有大量数据，而大部分的类别（尾部类）仅有少量的样本，导致模型训练过程中出现严重的偏差，使得长尾分布下的特征学习格外困难。
本次分享将重点介绍 CVPR 2020上的一篇论文“Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective”。本文提出了“feature cloud”的概念，在模型训练过程中，为每一个尾部数据构建“feature cloud”，就像电子云填充空旷的原子一样，将一个真实的尾部特征表示为一簇特征，以此实现对尾部数据的data augmentation。方法简洁、高效，避免了像GAN这样复杂的操作。另外，“feature cloud”在实际的大规模呈现长尾分布的业务数据上取得了显著的性能提升。
直播主题：自监督学习在视觉场景中的研究新进展
主讲人：詹晓航、李顺恺
回放链接：https://mooc.yanxishe.com/open/course/837
内容介绍：自监督学习是指从数据本身产生某种形式的标签并训练神经网络，用来解决某些特定任务或者学习通用的图像、视频、语言的特征表达。在学术界，自监督学习被证明可以解决光流预测、深度估计、场景遮挡等问题，不需要额外的人工标签。另外，基于自监督学习的无监督表征学习近年来也获得了飞速发展，大有超越有监督表征学习的趋势。
本次talk将结合两篇CVPR 2020 Oral文章，讲解自监督学习方法在场景去遮挡、视觉里程计方面的最新成果。
本届CVPR共收到6656篇投稿，有1470篇论文被接收，录用率约22%，创下十年以来的最低记录，被称为“最难的一届CVPR”。最近官方已经发出了全部论文的下载链接，小助整理成了一个文件夹，方便大家一键下载。
下载链接：https://www.yanxishe.com/resourceDetail/1738
或者扫码收藏，下载
CVPR2020论文收录结果刚刚公布的时候，小助就和小伙伴一起联系同学们做论文解读的分享了，详细的小助就不一一细说了，大家看链接。
01. PolarMask：将实例分割统一到FCN，有望在工业界大规模应用
02. RandLA-Net:大场景三维点云语义分割新框架（已开源）
03. 17篇入选CVPR 2020，腾讯优图 9 篇精选论文详解
04. 化繁为简，弱监督目标定位领域的新SOTA - 伪监督目标定位方法
05. 挑战 11 种 GAN的图像真伪，DeepFake鉴别一点都不难
08. 视觉-语言导航新篇章：真实场景下的远程物体定位导航任务
14. 旷视研究院提出Circle Loss，革新深度特征学习范式
18. MetaFuse：用于人体姿态估计的预训练信息融合模型
21. 挖坑等跳，FineGym，一个面向细粒度动作分析的层级化高质量数据集
23. 基于空间修剪的 NAS 算法
24. 可扩展且高效，谷歌提出目标检测“新标杆”
CVPR 2020将于6月14日正式线上开始，由于时差和网络等各项原因，导致线上参会并没有达到“分享工作”“讨论工作”的目的，为了让更多的工作让更多的人参与讨论，了解，我们现在诚挚邀请各位 “CVPR2020”作者同学进行分享，让你的工作被更多所知。没有论文的同学也可以参与哦~
发布内容小组：https://www.yanxishe.com/meeting/44
获奖规则：
原作者推荐自己CVPR2020论文，即可获得AI研习社定制保温杯一个
原作者上传CVPR 2020论文分享视频（给CVPR官方视频即可），即可获得AI研习社定制保温杯+AI研习社定制T恤一件
原作者发布自己CVPR2020论文解读，即可获得AI研习社定制保温杯+AI研习社定制背包一个
非原作者，推荐三篇CVPR2020相关论文，即可获得研习社定制保温杯一个
非原作者发布两篇论文解读，即可获得AI研习社定制T恤一件（如果是转载，请注明来源）；若是原创解读，可获得AI研习社定制保温杯+AI研习社定制T恤一件
注：视频请发到邮箱huangmeiling@yanxishe.com
活动时间：2020年6月12日-6月22日
有任何问题，请联系“AI研习社顶会小助手”微信！
添加小助手，备注【CVPR】，即可进入会议交流群
雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
