【CVPR 2020】CVPR 2020 算法竞赛大盘点

CVPR 2020 已经公布了大多数workshop的细节,与这些workshop对应的还有很多计算机视觉算法比赛,这些比赛代表着或新兴、或实用、或有趣、或被忽略的研究方向。

一文汇总了大部分比赛(因有些还未公布网址),大多数已经开赛放出了数据集,欢迎大家按图索骥。

WebVision Image Classification

技术方向:图像分类、半监督学习、无监督学习

http://www.vision.ee.ethz.ch/webvision/challenge.html

ps.做好了能改变整个CV业界的方向。

Challenges for Computer Vision in Agriculture

技术方向:语义分割、航拍图像处理识别

https://www.agriculture-vision.com/prize-challenge

Thermal Image Super-Resolution Challenge

技术方向:超分辨率、热像仪图像处理

http://vcipl-okstate.org/pbvs/20/challenge.html

Low-rate and P-frame compression challenges

技术方向:图像视频压缩

http://challenge.compression.cc/motivation/

Diagram Image Retrieval and Analysis (DIRA) Challenge

技术方向:图表检索与分析

http://cvpr-dira.lipingyang.org/challenge/

ps.第一个这方向的工作。

Low-Power Computer Vision Competition

技术方向:低功耗计算机视觉、目标检测、图像分类

http://www.lpcv.ai/

Emotionet Challenge

技术方向:表情识别、人脸动作单元识别

http://cbcsl.ece.ohio-state.edu/enc-2020/index.html

Image Matching: Local Features and Beyond

技术方向:局部特征提取、含噪数据拟合

https://image-matching-workshop.github.io/

ps.深度学习时代,难得还有这么传统的方向。

New Trends in Image Restoration and Enhancement Challenges (NTIRE)

技术方向:图像超分辨率、图像去噪、去模糊、去摩尔纹、重建、去雾

http://www.vision.ee.ethz.ch/ntire20/

UG2+ Prize Challenge

技术方向:低质图像增强、图像恢复、目标检测、人脸验证

http://cvpr2020.ug2challenge.org/

ISIC Skin Image Analysis Workshop

技术方向:皮肤图像分析、图像分割、图像分类

https://workshop2020.isic-archive.com/

Weakly Supervised Learning Challenges

技术方向:弱监督学习、图像分割、场景解析、目标定位

https://lidchallenge.github.io/challenge.html

6th SpaceNet Challenge

技术方向:遥感图像处理识别、图像分割

https://www.grss-ieee.org/earthvision2020/challenge.html

MOTChallenge

技术方向:目标跟踪与分割

https://motchallenge.net/workshops/bmtt2020/tracking.html

DAVIS Video Object Segmentation

技术方向:视频目标分割

https://davischallenge.org/challenge2020/index.html

Anti-UAV Challenge

技术方向:反无人机、无人机检测与跟踪

https://anti-uav.github.io/

AI City Challenge

技术方向:智能交通、车辆检测、卡口车辆计数、重识别、车辆跟踪、交通异常检测

https://www.aicitychallenge.org/2020-challenge-tracks/

VizWiz Grand Challenge

技术方向:图像表述

https://vizwiz.org/tasks-and-datasets/image-captioning/

VQA and Dialog Challenges

技术方向:视觉问答与对话

https://visualqa.org/workshop

Continual Learning Challenge

技术方向:持续学习

https://sites.google.com/view/clvision2020/challenge

Cross-Domain Few-Shot Learning (CD-FSL) Challenge

技术方向:跨域少样本学习

https://www.learning-with-limited-labels.com/challenge

DeepFashion2 and FashionIQ Challenges

技术方向:服饰检索

https://sites.google.com/view/cvcreative2020#h.p_Qypem5p_Nm6c

The Seventh Workshop on Fine-Grained Visual Categorization

技术方向:细粒度视觉分类

https://sites.google.com/view/fgvc7

ActivityNet Challenge

技术方向:活动识别

http://activity-net.org/challenges/2020/

Challenge on Remote Physiological Signal Sensing

技术方向:基于人脸视频的心率识别

https://competitions.codalab.org/competitions/22287

Localization, Odometry, SLAM Challenge

技术方向:SLAM

https://sites.google.com/view/vislocslamcvpr2020/home

2nd ScanNet Indoor Scene Understanding Challenge

技术方向:2D/3D图像分割、实例分割

http://www.scan-net.org/cvpr2020workshop/

未完待续,欢迎持续关注公众号后续文章。

☆ END ☆

如果看到这里,说明你喜欢这篇文章,请转发、点赞。微信搜索「uncle_pn」,欢迎添加小编微信「 mthler」,每日朋友圈更新一篇高质量博文(无广告)。

扫描二维码添加小编↓

2020年的计算机视觉与模式识别国际会议(CVPR)中,小样本学习成为了一个热门话题。在CVPR 2020中,许多重要的研究都集中于小样本学习解决方案。 小样本学习的意义在于模型如何从很少的数据中学习。在现实世界中,我们面临的很多问题都是小样本问题,例如医学影像分析,金融风险评估,自然语言处理等等。采用小样本学习的方法为这些问题提供了有效的解决方案。 在2020年的CVPR中,研究者们提出了许多小样本学习算法和模型。其中最重要的是元学习。元学习在小样本学习中非常重要。元学习的基本思想是通过迁移学习,让模型从不同数据集中进行学习并进行知识迁移学习。在元学习中,一个模型会从一个任务中学习并推广到其他任务中。 另一种常见的小样本学习方法是采用生成式对抗网络(GANs)进行特征提取和图像生成。研究者们使用GANs来生成新的图片样本,从而增加数据样本的数量。这种方法在小样本学习中非常有用,因为GANs可以生成无限数量的样本集。 总之,小样本学习在计算机视觉和模式识别领域中变得越来越重要。在CVPR 2020中,我们看到了许多新方法和技术的出现,它们为解决小样本学习问题提供了前所未有的解决方案。我们相信,随着更多的研究和技术的进步,小样本学习将成为计算机视觉和模式识别的重要工具。
评论
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