CVPR 2020 Cross-domain 论文总结

跨域分类

  1. AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-Identification
    作者 | Yunpeng Zhai, Shijian Lu, Qixiang Ye, Xuebo Shan, Jie Chen, Rongrong Ji, Yonghong Tian
    单位 | 北大;南洋理工大学;国科大;厦门大学;鹏城实验室
  2. Smoothing Adversarial Domain Attack and P-Memory Reconsolidation for Cross-Domain Person Re-Identification
    作者 | Guangcong Wang, Jian-Huang Lai, Wenqi Liang, Guangrun Wang
    单位 | 中山大学等
  3. Probability Weighted Compact Feature for Domain Adaptive Retrieval
    作者 | Fuxiang Huang, Lei Zhang, Yang Yang, Xichuan Zhou
    单位 | LiVE;重庆大学;电子科技大学
    代码 | https://github.com/fuxianghuang1/PWCF
  4. Cross-Domain Face Presentation Attack Detection via Multi-Domain Disentangled Representation Learning
    作者 | Guoqing Wang, Hu Han, Shiguang Shan, Xilin Chen
    单位 | 中科院;国科大;鹏城实验室
  5. Single-Side Domain Generalization for Face Anti-Spoofing
    作者 | Yunpei Jia, Jie Zhang, Shiguang Shan, Xilin Chen
    代码 | https://github.com/taylover-pei/SSDG-CVPR2020
    单位 | 中科院;国科大
  6. DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection
    作者 | Liming Jiang, Ren Li, Wayne Wu, Chen Qian, Chen Change Loy
    代码 | https://github.com/EndlessSora/DeeperForensics-1.0
    网站 | https://liming-jiang.com/projects/DrF1/DrF1.html
    单位 | 南洋理工大学,商汤科技
  7. Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation
    作者 | Yangtao Zheng, Di Huang, Songtao Liu, Yunhong Wang
    单位 | 北航

动作识别

  1. Multi-Modal Domain Adaptation for Fine-Grained Action Recognition(细粒度动作识别的多模态域适应技术)
    作者 | Jonathan Munro, Dima Damen,
    单位 | 布里斯托大学
    该方法使用RGB与光流数据,解决动作识别在不同数据集上训练和测试性能下降的问题。
  2. Skeleton-Based Action Recognition With Shift Graph Convolutional Network
    作者 | Ke Cheng, Yifan Zhang, Xiangyu He, Weihan Chen, Jian Cheng, Hanqing Lu
    单位 | 中科院;国科大等
    代码 | https://github.com/kchengiva/Shift-GCN
    该文提出一种编码器-解码器的RNN模型,可进行无监督的聚类,而此聚类结果可关联动作的类别,即也可以可以堪为预测。
  3. Unsupervised Learning From Video With Deep Neural Embeddings
    作者 | Chengxu Zhuang, Tianwei She, Alex Andonian, Max Sobol Mark, Daniel Yamins
    单位 | 斯坦福大学;MIT
    代码 |https://github.com/neuroailab/VIE
    因为视频中含有丰富的动态结构信息,而且无处不在,所以是无监督视觉表示学习的最佳素材。本文在视频中学习视觉嵌入,使得在嵌入空间相似视频距离近,而无关视频距离远,在大量视频中所学习的视觉表示可大幅提高动作识别、图像分类的精度。
  4. Evolving Losses for Unsupervised Video Representation Learning
    作者 | AJ Piergiovanni, Anelia Angelova, Michael S. Ryoo
    单位 | 谷歌
    多模多任务的无监督表示学习,跨模态通过蒸馏进行表示共享

行人识别

  1. Where, What, Whether: Multi-Modal Learning Meets Pedestrian Detection
    作者 | Yan Luo, Chongyang Zhang, Muming Zhao, Hao Zhou, Jun Sun
    单位 | 上海交通大学
  2. Camera On-Boarding for Person Re-Identification Using Hypothesis Transfer Learning
    作者 | Sk Miraj Ahmed, Aske R. Lejbolle, Rameswar Panda, Amit K. Roy-Chowdhury
    单位 | 加州大学;奥尔堡大学;IBM Research AI
    代码 | https://github.com/REID-HTL/reid_htl
  3. Real-World Person Re-Identification via Degradation Invariance Learning
    作者 | Yukun Huang, Zheng-Jun Zha, Xueyang Fu, Richang Hong, Liang Li
    单位 | 中国科学技术大学;合肥工业大学;中科院
  4. Unity Style Transfer for Person Re-Identification
    作者 | Chong Liu, Xiaojun Chang, Yi-Dong Shen
    单位 | 中科院;国科大;蒙纳士大学
  5. Online Joint Multi-Metric Adaptation From Frequent Sharing-Subset Mining for Person Re-Identification
    作者 | Jiahuan Zhou, Bing Su, Ying Wu
    单位 | 西北大学;中科院
  6. Unsupervised Person Re-Identification via Softened Similarity Learning
    作者 | Yutian Lin, Lingxi Xie, Yu Wu, Chenggang Yan, Qi Tian
    单位 | 杭州电子科技大学;华为;百度等
  7. Unsupervised Person Re-Identification via Multi-Label Classification
    作者 | Dongkai Wang, Shiliang Zhang
    单位 | 北大

跨模态行人重识别

  1. Hi-CMD: Hierarchical Cross-Modality Disentanglement for Visible-Infrared Person Re-Identification
    作者 | Seokeon Choi, Sumin Lee, Youngeun Kim, Taekyung Kim, Changick Kim
    单位 | 韩国科学技术院
    代码 | https://github.com/bismex/HiCMD
  2. Cross-Modality Person Re-Identification With Shared-Specific Feature Transfer
    作者 | Yan Lu, Yue Wu, Bin Liu, Tianzhu Zhang, Baopu Li, Qi Chu, Nenghai Yu
    单位 | 国科大;中科院;阿里;百度
  3. COCAS: A Large-Scale Clothes Changing Person Dataset for Re-Identification
    作者 | Shijie Yu, Shihua Li, Dapeng Chen, Rui Zhao, Junjie Yan, Yu Qiao
    单位 | 中科院深圳先进技术研究院、中科院大学、中科院微电子所

哈希算法

  1. Auto-Encoding Twin-Bottleneck Hashing
    作者| Yuming Shen, Jie Qin, Jiaxin Chen, Mengyang Yu, Li Liu, Fan Zhu, Fumin Shen, Ling Shao
    单位 | IIAI;电子科技大学
    代码 | https://github.com/ymcidence/TBH
  2. Creating Something From Nothing: Unsupervised Knowledge Distillation for Cross-Modal Hashing
    作者 | Hengtong Hu, Lingxi Xie, Richang Hong, Qi Tian
    单位 | 合肥工业大学;华为
  3. Central Similarity Quantization for Efficient Image and Video Retrieval
    作者 | Li Yuan, Tao Wang, Xiaopeng Zhang, Francis EH Tay, Zequn Jie, Wei Liu, Jiashi Feng
    单位 | 新加坡国立大学;腾讯AI实验室;华为诺亚方舟实验室
    代码 | https://github.com/yuanli2333/Hadamard-Matrix-for-hashing

数据集

  1. Google Landmarks Dataset v2 - A Large-Scale Benchmark for Instance-Level Recognition and Retrieval
    作者 | Tobias Weyand, Andre Araujo, Bingyi Cao, Jack Sim
    单位 | 谷歌
    数据及代码 | https://github.com/cvdfoundation/google-landmark
    谷歌地标检测数据集v2版-实例级识别和检索的大规模基准侧测试,是目前最大的实例检索与识别数据集,包含500万幅图像,20万个实例标签

强化学习

使用深度强化学习来确定在遥感分析等领域什么时候什么场景使用高分辨率影像,以降低图像获取计算成本。

  1. Learning When and Where to Zoom With Deep Reinforcement Learning
    作者 | Burak Uzkent, Stefano Ermon
    单位 | 斯坦福大学

人脸识别

  1. Learning Meta Face Recognition in Unseen Domains
    作者 | Jianzhu Guo, Xiangyu Zhu, Chenxu Zhao, Dong Cao, Zhen Lei, Stan Z. Li
    代码 | https://github.com/cleardusk/MFR
    单位 | 中科院;国科大;明略科技;西湖大学
  2. Data Uncertainty Learning in Face Recognition
    作者 | Jie Chang, Zhonghao Lan, Changmao Cheng, Yichen Wei
    代码 | https://github.com/Ontheway361/dul-pytorch
    单位 | 旷视;中国科学技术大学
  3. Domain Balancing: Face Recognition on Long-Tailed Domains
    作者 | Dong Cao, Xiangyu Zhu, Xingyu Huang, Jianzhu Guo, Zhen Lei
    单位 | 中科院;国科大;天津大学
  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值