ACCV 2020 會議正在召開，同時官方已經公布了收錄其中的 255 篇論文。昨日已經與大家分享了：
令人驚喜的是，大會有約一半的論文已開源，今日先來一波 星標前 10 的論文『截至2020 年 11 月 30 日』。
by and
目標對象和具有相似類別干擾物的大規模偏差是視覺跟蹤中的一大挑戰，在本次工作中，來自韓國首爾大學和中央大學的學者提出全新的 和上下文嵌入模塊，用于基于孿生網絡的視覺跟蹤。在多個基準數據集上獲得的實驗結果表明，所提出的跟蹤器的性能達到最先進的行列，同時所提出的跟蹤器能以實時速度運行。
作者 | Choi, Kwon, Mu Lee論文 |代碼 |備注 |ACCV | 18
Rank 8（并列）
with 3D and Body Poses百度研究員提出一個全新方法：，將給定音頻轉換為特定人物照片的逼真視頻，輸出視頻具有同步性、逼真以及豐富的身體動態。
作者 |Miao Liao,Sibo Zhang,Peng Wang,Hao Zhu, Zuo, Yang論文 |主頁 |代碼 |備注|ACCV | 19
Rank 8
Meta- via
來自加州大學默塞德分校，美國NEC實驗室；英偉達；臺灣陽明交通大學；谷歌的學者所提出的 方法緩解現有的基于梯度的元學習模型中的過擬合問題，提高跨域少樣本分類的性能。
作者 |Hung-Yu Tseng,Yi-Wen Chen,Yi-Hsuan Tsai,Sifei Liu,Yen-Yu Lin,Ming-Hsuan Yang論文 |代碼 |備注|ACCV | 19
Rank 7
: Story Based with
牛津大學 VGG 組學者創建了 數據集（CMD），由 3K 多部電影中的關鍵場景組成：每個關鍵場景都附有場景的高級語義描述、人物臉部軌跡和電影的元數據。該數據集是可擴展的，從 自動獲取，任何人都可以免費下載使用。它在電影數量上也比現有的電影數據集大一個數量級；在該數據集上提供了一個文本到視頻檢索的深度網絡基線，將字符、語音和視覺線索結合到一個單一的視頻嵌入中；同時該文還展示了如何從其他視頻剪輯中添加上下文來提高檢索性能。
作者 |Max Bain,Arsha , Brown, 論文 |主頁 |~vgg//-/代碼 |備注|ACCV | 20
Rank 6
A to -Based 6DoF
德國航空航天中心和慕尼黑工業大學學者提出一個全新的、高效的、稀疏的基于區域的 6DoF 目標跟蹤方法，只需一個單目 RGB 相機和 3D 目標模型。
在 RBOT 數據集上，所提出算法在跟蹤成功率和計算效率方面都以相當大的優勢優于最先進的基于區域的方法。
作者 | , , Klaus H. , , Alin Albu-Sch論文 |/gion-er.pdf代碼 |備注|ACCV | 23
Rank 5
: for Image
GANs 雖然是生成式圖像建模的一種強大方法，但其訓練的不穩定性卻十分棘手，特別是在大規模的復雜數據集上。近期的 工作顯著提高了 的圖像生成質量，但它需要一個巨大的模型，因此很難在資源有限的設備上部署。為了減小模型大小，中國臺灣中央研究院資訊科學研究所學者提出一種壓縮 GAN 的黑盒知識蒸餾框架，突出了穩定高效的訓練過程。給定 作為教師網絡，設法訓練一個小得多的學生網絡來模仿它的功能，在生成器的參數減少 16 倍的情況下，在 和 FID 分數上實現了有競爭力的性能。
作者 |Ting-Yun Chang,Chi-Jen Lu論文 |代碼 |備注|ACCV | 30
Rank 4
to and to : in
來自法國雷恩第一大學，法國南布列塔尼大學，公司等的學者對在 boxes 和 truth boxes 之間使用 IoU 作為目標檢測中 的良好標準提出質疑，并研究了檢測過程中涉及的兩個子任務（即定位和分類）的相互依賴性。
提出 機制，通過根據一個任務的預測質量為另一個任務分配錨標簽，提供錨和目標之間的自適應匹配，反之亦然。在不同的架構和不同的公共數據集上評估了所提出的方法，并與傳統的靜態錨匹配策略進行了比較。報告的結果顯示了這種機制在目標檢測中的有效性和通用性。
作者 |Heng Zhang,Elisa ,Sé ,Bruno 論文 |代碼 |備注|ACCV | 31
Rank 3
Patch SVDD: Patch-level SVDD for and
來自韓國首爾大學的學者提出 Patch SVDD 方法，用于圖像異常檢測和分割的方法。與 Deep SVDD 不同的是，在 patch level 時檢查圖像，可以定位缺陷。額外的自監督學習提高了檢測性能。因此，所提出的方法在MVTec AD工業異常檢測數據集上取得SOTA。
作者 |Jihun Yi, Yoon論文 |代碼 |--備注|ACCV | 45
Rank 2
: Deep Super-
來自蘇黎世聯邦理工學院的計算機視覺實驗室，作者稱 是第一個利用語義圖探索超分辨率的方法，所提出模型大大超越了普通的放大系數，可放大到 32 倍，對人臉的驗證證明了高感知質量的結果。作者還指出了一些進一步可研究方向微信關注代碼生成器，如在隱風格空間中確定有意義的方向（如年齡、性別、光照度、對比度等），或者將應用到其他領域。
作者 | C. Bühler,Andrés ,Radu 論文 |主頁 |代碼 | 備注 |ACCV 2020 (oral)Star | 49
Rank 1
: in Human 來自法國雷恩第一大學、倫敦大學學院等的學者在本文中研究的內容是人類軌跡預測（Human (HTP)）數據集的比較，并圍繞人類軌跡預測性、軌跡規律性、上下文復雜性這三個概念對不同數據集的復雜度進行了評估。并根據這些指標比較了 HTP 任務中最常見的數據集，以及討論了對 HTP 算法基準測試的意義。在 上介紹了現有的 HTP 數據集，并提供了加載、可視化和分析數據集的工具。
作者 |Javad , Zhang, ,Juan Jose ,Jean- Hayet, 論文 |代碼 |備注|ACCV | 91
交流群
歡迎加入公眾號讀者群一起和同行交流微信關注代碼生成器，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據研究方向邀請進入相關微信群。請勿在群內發送廣告，否則會請出群，謝謝理解~
投稿、合作也歡迎聯系：
掃描關注視頻號，看最新技術落地及開源方案視頻秀↓