CV Code|计算机视觉开源周报20200503期

五月第三周，盘点本周新开源或即将开源的CV代码，涵盖方向广泛，不仅涉及到技术创新，还涉及多种CV应用，尤其值得一提的是谷歌和MIT都在研究的对比表征学习和香港中文大学开源的InterFaceGan，希望对大家有帮助。

感谢这背后的开发者！

   目标检测

#CVPR 2020# #3D目标检测# #自动驾驶#

[1].Train in Germany, Test in The USA: Making 3D Object Detectors Generalize

德国训练，美国测试：3D目标检测的泛化问题研究

3D目标检测被广泛用于自动驾驶，但在德国收集的数据训练的检测器可以在美国的道路上表现的好吗？实验证明，这种情况会精度下降严重，作者进一步发现主要是不同场景中汽车的大小差异过大导致的，通过简单的尺度归一化，使得跨国家的3D目标检测泛化能力更好。

作者 | Yan Wang, Xiangyu Chen, Yurong You, Li Erran, Bharath Hariharan, Mark Campbell, Kilian Q. Weinberger, Wei-Lun Chao

单位 | 康奈尔大学；硅谷数据标注公司；哥伦比亚大学；俄亥俄州立大学

论文 | https://arxiv.org/abs/2005.08139

代码 | https://github.com/cxy1997/3D_adapt_auto_driving（尚未）

[2].WW-Nets: Dual Neural Networks for Object Detection

WW-Nets：用于目标检测的双神经网络

该文提出了一个物体检测框架，涉及到 "What Network "和 "Where Network "的整合。What Network 的目的是对输入图像的相关部分进行选择性关注，而Where Network则利用这些信息来定位和分类感兴趣的对象。在 PASCAL VOC 2007 和 2012 及 COCO 数据集上的实验显示，新提出的算法大幅超越了现有号称SOTA的方法，在COCO数据集上的AP 为51.6。

作者 | Mohammad K.Ebrahimpour，J.Ben Falandays，Samuel Spevack，杨明H，David C.Noelle

单位 | 加州大学

论文 | https://arxiv.org/abs/2005.07787

代码 | https://github.com/mkebrahimpour

#显著目标检测#

[3].U^2 -Net: Going Deeper with Nested U-Structure for Salient Object Detection

作者提出使用两层嵌套的U型结构的目标检测网络

优点：

（1）能够从不同的尺度捕获更多的上下文信息，

（2）可以增加深度的信息。

借助该方案提出两个模型：U^2-Net（GTX 1080Ti GPU上为176.3 MB，30 FPS）和U^2-Net†（4.7 MB，40 FPS），以便于在不同环境中使用。这两个模型在6个显著目标检测数据集上都显示具有比较优势。

作者 | Xuebin Qin, Zichen Zhang, Chenyang Huang, Masood Dehghan, Osmar R. Zaiane, Martin Jagersand

单位 | 阿尔伯塔大学

论文 | https://arxiv.org/abs/2005.09007

代码 | https://github.com/NathanUA/U-2-Net

#传感器融合# 

[4].A Deep Learning-based Radar and Camera Sensor Fusion Architecture for Object Detection

将雷达数据融合进摄像头数据的目标检测网络中，能够检测到目标被遮挡、图像质量较差等情况下的目标。实验证明该方法打败了仅使用RGB数据的算法。

作者 | Felix Nobis, Maximilian Geisslinger, Markus Weber, Johannes Betz, Markus Lienkamp

单位 | 慕尼黑工业大学

论文 | https://arxiv.org/abs/2005.07431

代码 | https://github.com/TUMFTM/CameraRadar

FusionNet

#CVPR 2020 Oral# #密集目标检测# #动态细化网络#

[5].Dynamic Refinement Network for Oriented and Densely Packed Object Detection

该文提出一种动态细化网络，用于对有方向的和密集的目标进行检测，比如遥感图像中的船只。该网络由两个新颖的组件组成，即特征选择模块（FSM）和动态细化头（DRH），FSM使神经元能够根据目标对象的形状和方向来调整感受野，而DRH使我们的模型能够以对象感知的方式动态地细化预测。在多个数据集上均表现出一致的精度提升。

作者 | Xingjia Pan, Yuqiang Ren, Kekai Sheng, Weiming Dong, Haolei Yuan, Xiaowei Guo, Chongyang Ma, Changsheng Xu

单位 | 中科院自动化研究所；优图实验室；CASIA-LVision联合实验室；快手AI实验室

论文 | https://arxiv.org/abs/2005.09973

代码 | https://github.com/Anymake/DRN_CVPR2020

   神经架构搜索NAS

[6].Optimizing Neural Architecture Search using Limited GPU Time in a Dynamic Search Space: A Gene Expression Programming Approach

使用基因表达的编程方法在有限的GPU上动态搜索空间进行神经架构搜索，只需24个GPU小时，即可高效发现有价值的卷积模型。在CIFAR-10 数据集上实现2.82% 的错误率（目前最好是2.67%），CIFAR-100数据集上得到18.83%的错误率（目前最好是18.16%），在ImageNet数据集上得到移动模型top-1 和 top-5 错误率分别为29.51% 和 10.37%。

作者 | Jeovane Honorio Alves, Lucas Ferrari de Oliveira

单位 | 巴西巴拉那联邦大学

论文 | https://arxiv.org/abs/2005.07669

代码 | https://github.com/jeohalves/nasgep

#CVPR 2020 (oral)#

[7].AOWS: Adaptive and optimal network width search with latency constraints 

在网络延迟限制下的自适应最佳网络宽度搜索，对ImageNet分类的实验表明，该文方法可以在不同的目标平台上找到拟合资源约束的网络，同时比最先进的高效网络提高了精度。

作者 | Maxim Berman, Leonid Pishchulin, Ning Xu, Matthew B. Blaschko, Gerard Medioni

单位 | Amazon Go；鲁汶大学

论文 | https://arxiv.org/abs/2005.10481

代码 | https://github.com/bermanmaxim/AOWS

[8].Rethinking Performance Estimation in Neural Architecture Search 

对神经架构搜索中性能估计的反思 

通过将BPE与各种搜索算法（包括强化学习、进化算法、随机搜索、可分化架构搜索）相结合，实现了1,000倍的NAS速度，而且与SOTA相比，性能几乎没有下降。

作者 | Xiawu Zheng, Rongrong Ji, Qiang Wang, Qixiang Ye, Zhenguo Li, Yonghong Tian, Qi Tian

单位 | 厦门大学；北大；鹏城实验室；华为诺亚方舟实验室；中国科学院大学

论文 | https://arxiv.org/abs/2005.09917

代码 | https://github.com/zhengxiawu/rethinking_

performance_estimation_in_NAS