AMiner会议论文推荐第期

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

CVPR 2021 论文推荐

ReMix: Towards Image-to-Image Translation with Limited Data（ReMix: 利用有限的数据实现图像到图像的翻译）

论文链接：https://www.aminer.cn/pub/60659d1e91e011d10ad61414/?conf=cvpr2021

推荐理由： 基于生成式对抗网络(generative adversarial networks, GANs)的图像到图像(Image-to-image, I2I)翻译方法在训练数据有限的情况下通常会出现过拟合问题。在这项工作中，作者提出了一种数据增强方法（ReMix）来解决这个问题。该工作在特征层面对训练样本进行插值，并提出了一种基于样本间感知关系的新型内容损失，以生成器学习翻译中间的样本，而非记忆训练集，从而迫使判别器进行泛化。上述方法有效地降低了生成的模糊性，并渲染了内容保存的结果。ReMix方法可以只需稍加修改即可很容易地融入到现有的GAN模型中。众多任务的实验结果表明，配备ReMix方法的GAN模型实现了显著的改进。

Rotation-Only Bundle Adjustment（仅旋转的捆绑调整）

论文链接：https://www.aminer.cn/pub/5fbe5aaf91e011e6e11b3ccc/?conf=cvpr2021

推荐理由： 作者提出了一种新颖的方法，用于估计摄像机的全局旋转，而不受其位置和场景结构的影响。当两个经过校准的摄像机观察五个或更多的相同点时，它们的相对旋转可以独立于平移恢复。作者将这一思想扩展到多视图，从而将旋转估计从翻译和结构估计中解耦出来。该方法具有多个优点，例如完全免疫不准确的翻译和结构，以及与旋转平均一起使用时能够改进精度。作者在合成和真实数据集上对该方法进行了广泛的评估，证明了其在与最先进的旋转平均法一起使用时，对于精度有一致且显著的提高。

Online Multiple Object Tracking with Cross-Task Synergy（在线多对象跟踪与跨任务协同工作）

论文链接：https://www.aminer.cn/pub/6066f31291e011f2d6d47c0a/?conf=cvpr2021

**推荐理由：**现代在线多物体跟踪（Modern online multiple object tracking, MOT）方法通常关注两个方向来提高跟踪性能：一是根据前一帧的跟踪信息来预测传入帧中的新位置；二是通过生成更具判别力的身份嵌入来增强数据关联。一些工作将这两个方向结合在一个框架内，但将它们作为两个独立的任务来处理，因此获得的相互收益不显著。在本文中，作者提出了一种新型的位置预测和嵌入关联协同的统一模型。这两个任务将时间感知的目标注意和分心注意，以及身份感知的记忆聚合模型联系起来。具体来说，注意力模块可以使预测更多的关注目标，减少对分心物的关注，因此可以提取更可靠的嵌入物以进行关联。另一方面，这种可靠的嵌入可以通过记忆聚合来提升身份意识，从而强化注意力模块、抑制漂移。通过这种方式，作者实现了位置预测和嵌入关联的协同，从而提高了对遮挡的强健性。广泛的实验证明了该模型在MOTChallenge基准上比现有的各种方法更优越。

AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/

#AMiner# #论文#