公众号内容拓展学习笔记（2021.5.13）

公众号内容拓展学习笔记（2021.5.13）

---

📎 今日要点

1. CVPR 2021 | 无需密集人工标签，用于下游密集预测任务的自监督学习方法出炉 ⭐️⭐️

   • Abstract: 无需密集人工标签，用于下游密集预测任务的自监督学习方法
   • Paper: Dense Contrastive Learning for Self-Supervised Visual Pre-Training
   • Code: https://github.com/WXinlong/DenseCL
   • Tips: 该研究提出的新方法 DenseCL（Dense Contrastive Learning）通过考虑局部特征之间的对应关系，直接在输入图像的两个视图之间的像素（或区域）特征上优化成对的对比（不相似）损失来实现密集自监督学习

2. CVPR 2021| 端到端场景无关视觉定位算法(SuperGlue一作出品) ⭐️⭐️

   • Abstract: 端到端场景无关视觉定位算法PixLoc
   • Paper: Back to the Feature: Learning Robust Camera Localization from Pixels to Pose
   • Code: http://github.com/cvg/pixloc
   • Tips: PixLoc能够做到场景无关的端到端学习位姿，且能够较好地做到跨场景（室外到室内）的相机定位

3. PatchmatchNet：一种高效multi-view stereo框架 (CVPR2021 Oral) ⭐️⭐️

   • Abstract: 一种高效multi-view stereo框架PatchmatchNet
   • Paper: PatchmatchNet: Learned Multi-View Patchmatch Stereo
   • Code: https://github.com/FangjinhuaWang/PatchmatchNet
   • Tips: PatchmatchNet是一种以learning-based Patchmatch为主体的cascade结构，对传统的PatchMatch进行了拓展，提出了adaptive propagation和adaptive evaluation

4. CVPR2021| TimeSformer-视频理解的时空注意模型 ⭐️⭐️

   • Abstract: TimeSformer-视频理解的时空注意模型
   • Paper: Is Space-Time Attention All You Need for Video Understanding?
   • Code: https://github.com/lucidrains/TimeSformer-pytorch
   • Tips: TimeSformer通过直接从一系列帧级别的patch中启用时空特征学习，将标准的Transformer体系结构适应于视频

5. 来自Google Research：宽模型和深模型学到的是相同的东西吗？ ⭐️⭐️

   • Abstract: 宽模型和深模型学到的是相同的东西吗？
   • Paper: Do Wide and Deep Networks Learn the Same Things? Uncovering How Neural Network Representations Vary with Width and Depth
   • Tips: 在研究深度和宽度对内部表征的影响时，我们发现了块结构现象，并证明了它与模型容量的联系。我们还表明，宽模型和深模型在类和样本级别上显示出系统输出差异

6. 用超分辨率扛把子算法 ESRGAN，训练图像增强模型 ⭐️⭐️

   • Abstract: 用超分辨率扛把子算法 ESRGAN，训练图像增强模型
   • Code: https://openbayes.com/console/openbayes/containers/EsAbdwfM6YN
   • Tips: 将图像或影片从低分辨率转化为高分辨率，恢复或补足丢失的细节（即高频信息），往往需要用到超分辨率技术，ESRGAN算法的demo

📎 Others

• 由于图片权限问题，GitHub是完整版，可以点点 star
• 星标的数量是与个人相关程度，不代表文章内容的好坏
• 关注我的个人网站
• 关注我的CSDN博客
• 关注我的哔哩哔哩
• 关注我的公众号CV伴读社