整理：AI算法与图像处理
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo
最新成果demo展示：
标题：NeuralMarker: A Framework for Learning General Marker Correspondence 代码：https://github.com/drinkingcoder/NeuralMarker
摘要：
我们解决了从一般标记（例如电影海报）到捕获此类标记的图像的对应关系估计问题。传统上，这个问题是通过拟合基于稀疏特征匹配的单应性模型来解决的。以处理类似平面的标记并且稀疏特征没有充分利用外观信息。在本文中，我们提出了一种新的框架 NeuralMarker，在各种具有挑战性的条件下训练神经网络来估计密集的标记对应，例如标记变形、强光等。对应学习的性能曾经提供了足够的训练数据。但是，为训练标记对应注释像素级密集对应太昂贵了。我们观察到标记对应估计的挑战来自两个单独的方面：几何变化和外观变化。在 NeuralMarker 中解决这两个挑战。首先，我们创建了一个合成数据集 FlyingMarkers，其中包含具有地面实况密集对应的标记图像对。通过使用 FlyingMarkers 进行训练，鼓励神经网络捕捉各种标记运动。其次，我们提出了新颖的对称对极距离 (SED) 损失，这使得能够从姿势图像中学习密集对应。通过 SED 损失和由运动结构 (SfM) 收集的交叉照明姿势图像进行学习，NeuralMarker 在恶劣的照明环境中非常稳健，并避免了合成此外，我们还提出了一种新的标记对应评估方法，围绕真实标记-图像对的注释，并创建了一个新的基准。我们表明，NeuralMarker 显着优于以前的方法，并支持新的有趣应用，包括增强现实 (AR) 和视频编辑。
最新论文整理
ECCV2022
Updated on : 30 Sep 2022
total number : 4
4D-StOP: Panoptic Segmentation of 4D LiDAR using Spatio-temporal Object Proposal Generation and Aggregation
- 论文/Paper: http://arxiv.org/pdf/2209.14858
- 代码/Code: https://github.com/larskreuzberg/4d-stop
Bounded Future MS-TCN for surgical gesture recognition
- 论文/Paper: http://arxiv.org/pdf/2209.14647
- 代码/Code: None
Teaching Where to Look: Attention Similarity Knowledge Distillation for Low Resolution Face Recognition
- 论文/Paper: http://arxiv.org/pdf/2209.14498
- 代码/Code: https://github.com/gist-ailab/teaching-where-to-look
Understanding Collapse in Non-Contrastive Learning
- 论文/Paper: http://arxiv.org/pdf/2209.15007
- 代码/Code: https://github.com/alexlioralexli/noncontrastive-ssl
CVPR2022
NeurIPS
Updated on : 30 Sep 2022
total number : 1
Hyper-Representations as Generative Models: Sampling Unseen Neural Network Weights
- 论文/Paper: http://arxiv.org/pdf/2209.14733
- 代码/Code: None
