主頁 > 軟體設計 > CVPR 2021 結果出爐!最全論文下載(更新中)

CVPR 2021 結果出爐!最全論文下載(更新中)

2021-03-03 16:57:01 軟體設計

極市一直非常關注CVPR,在每年都會進行CVPR相關的論文資源整理,包括論文解讀、代碼、技術直播、分方向盤點、最佳論文匯總等,也得到了許多開發者的支持,在Github上,極市的CVPR盤點已經識訓了5.7K star,在今年,我們也會對CVPR2021進行實時跟進,

在這里插入圖片描述
在這里插入圖片描述

Github專案地址:
https://github.com/extreme-assistant/CVPR2021-Paper-Code-Interpretation

以下是我們對本次CVPR2021最新論文的整理:

CVPR2021最新資訊及論文下載(Papers/Codes/Project/PaperReading/Demos/直播分享/論文分享會等)

官網鏈接:http://cvpr2021.thecvf.com

時間:2021年6月19日-6月25日

論文接收公布時間:2021年2月28日

相關問題:

  • 如何評價CVPR 2021的論文接收結果?
  • CVPR 2021接收結果出爐!錄用1663篇,接受率提升,你的論文中了嗎?(附論文下載)



目錄

1. CVPR2021接受論文/代碼(持續更新)

2. To do list


1.CVPR2021接受論文/代碼(持續更新)

61.Coarse-Fine Networks for Temporal Activity Detection in Videos(用于視頻中的時間活動檢測的粗細網路)

60.Instance Localization for Self-supervised Detection Pretraining(自監督檢測預訓練的實體定位)

paper|code

59.Weakly-supervised Grounded Visual Question Answering using Capsules(使用膠囊進行弱監督的地面視覺問答)

58.FLAVR: Flow-Agnostic Video Representations for Fast Frame Interpolation(FLAVR:用于快速幀插值的與流無關的視頻表示)

paper|code|project

57.4D Panoptic LiDAR Segmentation(4D全景LiDAR分割)

paper

56.Dogfight: Detecting Drones from Drone Videos(從無人機視頻中檢測無人機)

55.Multiple Instance Active Learning for Object Detection(用于物件檢測的多實體主動學習)

paper|code

54.Re-labeling ImageNet: from Single to Multi-Labels, from Global to Localized Labels(重新標記ImageNet:從單標簽到多標簽,從全域標簽到本地標簽)

paper|code

53.Probabilistic Embeddings for Cross-Modal Retrieval(跨模態檢索的概率嵌入)

paper

52.PLOP: Learning without Forgetting for Continual Semantic Segmentation(PLOP:學習而不會忘記連續的語意分割)

paper

51.Rainbow Memory: Continual Learning with a Memory of Diverse Samples(不斷學習與多樣本的記憶)

50.Exploiting Spatial Dimensions of Latent in GAN for Real-time Image Editing(利用GAN中潛在的空間維度進行實時影像編輯)

48.Rethinking Channel Dimensions for Efficient Model Design(重新考慮通道尺寸以進行有效的模型設計)

paper|code

46.Reconsidering Representation Alignment for Multi-view Clustering(重新考慮多視圖聚類的表示對齊方式)

45.Self-supervised Simultaneous Multi-Step Prediction of Road Dynamics and Cost Map(道路動力學和成本圖的自監督式多步同時預測)

44.IIRC: Incremental Implicitly-Refined Classification(增量式隱式定義的分類)

paper|project

43.Fair Attribute Classification through Latent Space De-biasing(通過潛在空間去偏的公平屬性分類)

paper|code|project

42.Information-Theoretic Segmentation by Inpainting Error Maximization(修復誤差最大化的資訊理論分割)

paper

41.Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking(多目標跟蹤的概率小波計分和修復)

paper

40.Few-shot Open-set Recognition by Transformation Consistency(轉換一致性很少的開放集識別)

39.Meta Batch-Instance Normalization for Generalizable Person Re-Identification(通用批處理人員重新標識的元批實體規范化)

paper

37.UC2: Universal Cross-lingual Cross-modal Vision-and-Language Pretraining(UC2:通用跨語言跨模態視覺和語言預培訓)

36.Less is More: CLIPBERT for Video-and-Language Learning via Sparse Sampling(T通過稀疏采樣進行視頻和語言學習)

paper|code

35.3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management(用于胰腺腫塊分割,診斷和定量患者管理的3D圖形解剖學幾何集成網路)

34.Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging Studies(深部病變追蹤器:在4D縱向成像研究中監控病變)

paper

33.Automatic Vertebra Localization and Identification in CT by Spine Rectification and Anatomically-constrained Optimization(通過脊柱矯正和解剖學約束優化在CT中自動進行椎骨定位和識別)

paper

31.3D CNNs with Adaptive Temporal Feature Resolutions(具有自適應時間特征解析度的3D CNN)

paper

30.KeepAugment: A Simple Information-Preserving Data Augmentation(一種簡單的保存資訊的資料擴充)

paper

29.AttentiveNAS: Improving Neural Architecture Search via Attentive(通過注意力改善神經架構搜索)

paper

28.Hijack-GAN: Unintended-Use of Pretrained, Black-Box GANs(Hijack-GAN:意外使用經過預訓練的黑匣子GAN)

paper

27.D-NeRF: Neural Radiance Fields for Dynamic Scenes(D-NeRF:動態場景的神經輻射場)

project

26.Encoding in Style: a StyleGAN Encoder for Image-to-Image Translation(樣式編碼:用于影像到影像翻譯的StyleGAN編碼器)

project

25.A 3D GAN for Improved Large-pose Facial Recognition(用于改善大姿勢面部識別的3D GAN)

paper

24.Rotation Equivariant Siamese Networks for Tracking(旋轉等距連體網路進行跟蹤)

paper

23.Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning(探索少量學習的不變表示形式和等變表示形式的互補強度)

22.Open-world object detection(開放世界中的目標檢測)

code

21.Multi-Stage Progressive Image Restoration(多階段漸進式影像復原)

paper|code

20.Weakly Supervised Learning of Rigid 3D Scene Flow(剛性3D場景流的弱監督學習)

paper|code|project

19.PREDATOR: Registration of 3D Point Clouds with Low Overlap(預測器:低重疊的3D點云的注冊)

paper|code|project

18.Sequential Graph Convolutional Network for Active Learning(主動學習的順序圖卷積網路)

paper

17.Multiresolution Knowledge Distillation for Anomaly Detection(用于例外檢測的多解析度知識蒸餾)

paper

16.Positive-Unlabeled Data Purification in the Wild for Object Detection(野外檢測物件的陽性無標簽資料提純)

15.Data-Free Knowledge Distillation For Image Super-Resolution(DAFL演算法的SR版本)

14.Manifold Regularized Dynamic Network Pruning(動態剪枝的程序中考慮樣本復雜度與網路復雜度的約束)

13.Distilling Object Detectors via Decoupled Features(前景背景分離的蒸餾技術)

12.Inverting the Inherence of Convolution for Visual Recognition(顛倒卷積的固有性以進行視覺識別)

11.Representative Batch Normalization with Feature Calibration(具有特征校準功能的代表性批量歸一化)

10.PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation(語意流經點以進行航空影像分割)

9.Learning the Superpixel in a Non-iterative and Lifelong Manner(以非迭代和終身的方式學習超像素)

8.RepVGG: Making VGG-style ConvNets Great Again

paper|code

解讀:RepVGG:極簡架構,SOTA性能,讓VGG式模型再次偉大

7.Transformer Interpretability Beyond Attention Visualization(注意力可視化之外的Transformer可解釋性)

paper|code

6.UP-DETR: Unsupervised Pre-training for Object Detection with Transformers

paper

解讀:無監督預訓練檢測器

5.Pre-Trained Image Processing Transformer(底層視覺預訓練模型)

paper

4.ReNAS: Relativistic Evaluation of Neural Architecture Search(NAS predictor當中ranking loss的重要性)

paper

3.AdderSR: Towards Energy Efficient Image Super-Resolution(將加法網路應用到影像超解析度中)

paper|code

解讀:華為開源加法神經網路

2.Learning Student Networks in the Wild(一種不需要原始訓練資料的模型壓縮和加速技術)

paper|code

解讀:華為諾亞方舟實驗室提出無需資料網路壓縮技術

1.HourNAS: Extremely Fast Neural Architecture Search Through an Hourglass Lens(降低NAS的成本)

paper


2.To do list

  • CVPR2021論文解讀
  • CVPR2021 Oral
  • CVPR2021論文分享

轉載請註明出處,本文鏈接:https://www.uj5u.com/ruanti/265443.html

標籤:其他

上一篇:Ubuntu18.04+python3.6+pcl-1.8+opencv3+realsense D415環境搭建

下一篇:Netty權威指南(二)NIO模型

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C#(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 面試突擊第一季,第二季,第三季

    第一季必考 https://www.bilibili.com/video/BV1FE411y79Y?from=search&seid=15921726601957489746 第二季分布式 https://www.bilibili.com/video/BV13f4y127ee/?spm_id_fro ......

    uj5u.com 2020-09-10 05:35:24 more
  • 第三單元作業總結

    1.前言 這應該是本學期最后一次寫作業總結了吧。總體來說,對作業的節奏也差不多掌握了,作業做起來的效率也更高了。雖然和之前的作業一樣,作業中都要用到新的知識,但是相比之前,更加懂得了如何利用工具以及資料。雖然之間卡過殼,但總體而言,這幾次作業還算完成的比較好。 2.作業程序總結 相比前兩個單元,此單 ......

    uj5u.com 2020-09-10 05:35:41 more
  • 北航OO(2020)第四單元博客作業暨課程總結博客

    北航OO(2020)第四單元博客作業暨課程總結博客 本單元作業的架構設計 在本單元中,由于UML圖具有比較清晰的樹形結構,因此我對其中需要進行查詢操作的元素進行了包裝,在樹的父節點中存盤所有孩子的參考。考慮到性能問題,我采用了快取機制,一次查詢后盡可能快取已經遍歷過的資訊,以減少遍歷次數。 本單元我 ......

    uj5u.com 2020-09-10 05:35:48 more
  • BUAA_OO_第四單元

    一、UML決議器設計 ? 先看下題目:第四單元實作一個基于JDK 8帶有效性檢查的UML(Unified Modeling Language)類圖,順序圖,狀態圖分析器 MyUmlInteraction,實際上我們要建立一個有向圖模型,UML中的物件(元素)可能與同級元素連接,也可與低級元素相連形成 ......

    uj5u.com 2020-09-10 05:35:54 more
  • 6.1邏輯運算子

    邏輯運算子 1. && 短路與 運算式1 && 運算式2 01.運算式1為true并且運算式2也為true 整體回傳為true 02.運算式1為false,將不會執行運算式2 整體回傳為false 03.只要有一個運算式為false 整體回傳為false 2. || 短路或 運算式1 || 運算式2 ......

    uj5u.com 2020-09-10 05:35:56 more
  • BUAAOO 第四單元 & 課程總結

    1. 第四單元:StarUml檔案決議 本單元采用了圖模型決議UML。 UML檔案可以抽象為圖、子圖、邊的邏輯結構。 在實作中,圖的節點包括類、介面、屬性,子圖包括狀態圖、順序圖等。 采用了三次遍歷UML元素的方法建圖,第一遍遍歷建點,第二、三次遍歷設定屬性、連邊,實作圖物件的初始化。這里借鑒了一些 ......

    uj5u.com 2020-09-10 05:36:06 more
  • 談談我對C# 多型的理解

    面向物件三要素:封裝、繼承、多型。 封裝和繼承,這兩個比較好理解,但要理解多型的話,可就稍微有點難度了。今天,我們就來講講多型的理解。 我們應該經常會看到面試題目:請談談對多型的理解。 其實呢,多型非常簡單,就一句話:呼叫同一種方法產生了不同的結果。 具體實作方式有三種。 一、多載 多載很簡單。 p ......

    uj5u.com 2020-09-10 05:36:09 more
  • Python 資料驅動工具:DDT

    背景 python 的unittest 沒有自帶資料驅動功能。 所以如果使用unittest,同時又想使用資料驅動,那么就可以使用DDT來完成。 DDT是 “Data-Driven Tests”的縮寫。 資料:http://ddt.readthedocs.io/en/latest/ 使用方法 dd. ......

    uj5u.com 2020-09-10 05:36:13 more
  • Python里面的xlrd模塊詳解

    那我就一下面積個問題對xlrd模塊進行學習一下: 1.什么是xlrd模塊? 2.為什么使用xlrd模塊? 3.怎樣使用xlrd模塊? 1.什么是xlrd模塊? ?python操作excel主要用到xlrd和xlwt這兩個庫,即xlrd是讀excel,xlwt是寫excel的庫。 今天就先來說一下xl ......

    uj5u.com 2020-09-10 05:36:28 more
  • 當我們創建HashMap時,底層到底做了什么?

    jdk1.7中的底層實作程序(底層基于陣列+鏈表) 在我們new HashMap()時,底層創建了默認長度為16的一維陣列Entry[ ] table。當我們呼叫map.put(key1,value1)方法向HashMap里添加資料的時候: 首先,呼叫key1所在類的hashCode()計算key1 ......

    uj5u.com 2020-09-10 05:36:38 more
最新发布
  • 【中介者設計模式詳解】C/Java/JS/Go/Python/TS不同語言實作

    * 中介者模式是一種行為型設計模式,它可以用來減少類之間的直接依賴關系,
    * 將物件之間的通信封裝到一個中介者物件中,從而使得各個物件之間的關系更加松散。
    * 在中介者模式中,物件之間不再直接相互互動,而是通過中介者來中轉訊息。 ......

    uj5u.com 2023-04-20 08:20:47 more
  • 露天煤礦現場調研和交流案例分享

    他們集團的資訊化公司及研究院在一個礦區正在做智能礦山的統一平臺的 試點,專案投資大概1億,包括了礦山的各方面的內容,顯示得我們這次交流有點多余。他們2年前開始做智能礦山的規劃,有很多煤礦行業專家的加持,他們的描述是非常完美,但是去年底應該上線的平臺,現在還沒有看到影子。他們確實有很多場景需求,但是被... ......

    uj5u.com 2023-04-20 08:20:25 more
  • 《社區人員管理》實戰案例設計&個人案例分享

    設計是一個讓人夢想成真程序,開始編碼、測驗、除錯之前進行需求分析和架構設計,才能保證關鍵方面都做正確 ......

    uj5u.com 2023-04-20 08:20:17 more
  • 軟體架構生態化-多角色交付的探索實踐

    作為一個技術架構師,不僅僅要緊跟行業技術趨勢,還要結合研發團隊現狀及痛點,探索新的交付方案。在日常中,你是否遇到如下問題 “ 業務需求排期長研發是瓶頸;非研發角色感受不到研發技改提效的變化;引入ISV 團隊又擔心質量和安全,培訓周期長“等等,基于此我們探索了一種新的技術體系及交付方案來解決如上問題。 ......

    uj5u.com 2023-04-20 08:20:10 more
  • 【中介者設計模式詳解】C/Java/JS/Go/Python/TS不同語言實作

    * 中介者模式是一種行為型設計模式,它可以用來減少類之間的直接依賴關系,
    * 將物件之間的通信封裝到一個中介者物件中,從而使得各個物件之間的關系更加松散。
    * 在中介者模式中,物件之間不再直接相互互動,而是通過中介者來中轉訊息。 ......

    uj5u.com 2023-04-20 08:19:44 more
  • 露天煤礦現場調研和交流案例分享

    他們集團的資訊化公司及研究院在一個礦區正在做智能礦山的統一平臺的 試點,專案投資大概1億,包括了礦山的各方面的內容,顯示得我們這次交流有點多余。他們2年前開始做智能礦山的規劃,有很多煤礦行業專家的加持,他們的描述是非常完美,但是去年底應該上線的平臺,現在還沒有看到影子。他們確實有很多場景需求,但是被... ......

    uj5u.com 2023-04-20 08:19:07 more
  • 《社區人員管理》實戰案例設計&個人案例分享

    設計是一個讓人夢想成真程序,開始編碼、測驗、除錯之前進行需求分析和架構設計,才能保證關鍵方面都做正確 ......

    uj5u.com 2023-04-20 08:18:57 more
  • 軟體架構生態化-多角色交付的探索實踐

    作為一個技術架構師,不僅僅要緊跟行業技術趨勢,還要結合研發團隊現狀及痛點,探索新的交付方案。在日常中,你是否遇到如下問題 “ 業務需求排期長研發是瓶頸;非研發角色感受不到研發技改提效的變化;引入ISV 團隊又擔心質量和安全,培訓周期長“等等,基于此我們探索了一種新的技術體系及交付方案來解決如上問題。 ......

    uj5u.com 2023-04-20 08:18:49 more
  • 05單件模式

    #經典的單件模式 public class Singleton { private static Singleton uniqueInstance; //一個靜態變數持有Singleton類的唯一實體。 // 其他有用的實體變數寫在這里 //構造器宣告為私有,只有Singleton可以實體化這個類! ......

    uj5u.com 2023-04-19 08:42:51 more
  • 【架構與設計】常見微服務分層架構的區別和落地實踐

    軟體工程的方方面面都遵循一個最基本的道理:沒有銀彈,架構分層模型更是如此,每一種都有各自優缺點,所以請根據不同的業務場景,并遵循簡單、可演進這兩個重要的架構原則選擇合適的架構分層模型即可。 ......

    uj5u.com 2023-04-19 08:42:41 more