文章目录
2020日程(WS&Tutorials包含一、五、日)主页
周一 6-15 Workshops Auto deep learning
15 日 已更新From HPO to NAS: Automated Deep Learning
http://hangzhang.org/CVPR2020/
研究人员花费了大量时间来优化超参数和调整体系结构。我们是否可以减轻开发深度学习算法的工作量,并使研究人员更加专注于创新领域?在本教程中,我们鼓励研究人员设计超参数范围和可能的网络体系结构组合,并将工作量传递给计算机。本教程将涵盖自动机器学习中的重要概念以及计算机视觉中的应用。观众将可以使用Jupiter Notebook通过动手部分重现大规模实验
周二 6-16 Main conference
http://cvpr20.com/tuesday/
第二场
周三 6-17 Main conference
http://cvpr20.com/wed/
在这里插入图片描述
周四 6-18 Main conference
周五 6-19 workshop tutorials
19日 image retrieval
https://matsui528.github.io/cvpr2020_tutorial_retrieval/
基于内容的图像检索是用于与视觉集合进行交互的最重要技术之一。尽管在过去十年中已取得了重大进展,但现有技术仅在标准基准(例如牛津数据集)上进行了评估,该数据集主要由建筑物图像组成。关于如何为实际应用创建实用且大规模的视觉搜索系统的讨论还不够多,例如在网上市场推荐购物商品或在安全场景中对行人进行重新标识。
本教程涵盖了为实际应用程序构建图像检索系统的几个重要组件。
首先,我们将回顾近似最近邻居搜索的最新算法。搜索算法的设计对于性能至关重要。我们将提供实用指南,以针对给定任务选择最佳算法。
在第二部分中,我们将提供一个示例,说明如何在在线C2C市场应用程序中利用这种算法,该应用程序拥有超过10亿个列表,每月活跃用户超过1500万。具体来说,我们将展示如何在Kubernetes上为该应用程序生产高度可扩展的可用视觉搜索系统。
在第三部分中,我们将对异质人的重新识别进行系统的审查,其中以模态差异为主要挑战。我们考虑了四种跨模式应用场景:低分辨率(LR),红外(IR),草图和文本。我们将介绍和组织每个类别中的可用数据集,并将总结和比较代表性方法。
最后,我们将提供一个实时编码演示,以从头开始实现图像搜索引擎。通过利用预先训练的深度模型,我们将展示仅使用100行Python代码即可轻松实现基于Web的搜索系统。
周六 6-20 考试没有直播哈哈哈
早上考试翻译理论英语8.30(9-11点) ,26模式识别开卷8.15-10.15