CVPR2019 论文解读汇总（包括目标检测、姿态估计、语义分割等，更新中）

1、CVPR2019 | Guided Anchoring: 物体检测器也能自己学 Anchor 物体检测领域论文"Region Proposal by Guided Anchoring"解读，这篇 paper 的方法用在了 COCO Challenge 2018 检测任务的冠军方法中，在极高的 baseline 上涨了1个点。论文目前已被CVPR2019接收。

2、CVPR2019 | 微软、中科大开源基于深度高分辨表示学习的姿态估计算法 来自微软和中国科技大学研究学者提出了基于深度高分辨表示学习的姿态估计算法，论文和相应代码甫一公布，立刻引起大家的关注，不到一天之内，github上已有将近50颗星。

3、CVPR2019 | 目标检测新文：Generalized Intersection over Union 本文提出用IoU这个直接的指标来指导回归任务的学习，用直接指标IoU作为损失函数的缺陷性，提出新的metric来代替L1、L2损失函数，从而提升regression效果。

4、CVPR2019 | 6D目标姿态估计，李飞飞夫妇等提出DenseFusion 李飞飞夫妇等研究者提出了 DenseFusion——一种可单独处理两个数据源的异质架构。目前这项工作已被CVPR2019接收。

5、CVPR2019 | 全景分割：Attention-guided Unified Network 中国科学院自动化研究所所做关于全景分割问题。本文提出了一个叫做 Attention-guided Unified Network ( AUNet ) 的结构去解决全景分割问题，该方法在MS-COCO数据集上取得了目前最好的结果。

6、CVPR2019 | 审稿排名第一满分论文：让机器人也能「问路」的视觉语言导航新方法 本文是CVPR满分文章（3个Strong Accept），在5165篇投稿文章中得分排名第一。该论文提出的新方法结合了强化学习和自监督模仿学习两者之长，在视觉-语言导航任务上取得了显著的进步。

7、CVPR2019 | 专门为卷积神经网络设计的训练方法：RePr 本文提出了一种针对卷积神经网络的训练方法RePr，非常简单有效，在cifar、ImageNet、VQA、object detection上涨点很多，ablation study做的非常充分。

8、CVPR2019 | 开源分割新算法MS R-CNN，性能超越何恺明Mask R-CNN 本文分析了过去的经典分割框架存在的缺陷，并提出基于Mask R-CNN提出一个新的框架Mask Scoring R-CNN，能自动学习出mask quality，试图解决不配准的问题。

9、CVPR2019 | 实例分割的进阶三级跳：从 Mask R-CNN 到 Hybrid Task Cascade 在本篇论文中，作者提出了一种新的实例分割框架，设计了多任务多阶段的混合级联结构，并且融合了一个语义分割的分支来增强 spatial context。取得了明显优于 Mask R-CNN 和 Cascade Mask R-CNN 的结果。

10、CVPR2019 | AlphaPose升级！上海交大卢策吾团队开源密集人群姿态估计代码 AlphaPose升级了！上海交大MVIG组(卢策吾团队)构建了CrowdPose数据集，用来衡量算法在拥挤场景中的性能。同时提出了一个高效的算法来解决拥挤人群中的姿态估计问题，实验结果远高于当前最好的算法。

11、CVPR2019 | FSAF：来自CMU的Single-Shot目标检测算法 本文介绍了来自CMU的CVPR2019论文，提出了一个非常优秀的Single-Shot目标检测算法：FSAF。

12、CVPR2019 | SiamMask：视频跟踪最高精度 本文介绍一篇非常优秀的视觉跟踪方面的论文，作者提出的新算法SiamMask，在视频跟踪任务上达到最优性能，并且在视频目标分割上取得了当前最快速度。作者来自中科院自动化所、牛津大学等，本文带来一作自动化所王强的解读。

13、CVPR2019 | 医学影像：MIT 团队提出利用学习图像变换进行数据增强

（http://bbs.cvmart.net/articles/314）

近日，由麻省理工学院（MIT）电子工程与计算机科学（ECCS）实验室多位博士所著的医学影像AI论文被CVPR 2019收录。该团队为了解决医学图像标注数据缺乏的问题，提出了通过学习图像的变换（transforms）进行数据增强的半监督分割方法。

14、CVPR2019 oral | 这个面部3D重建模型，造出了6000多个名人的数字面具 本文提出了一种新型的面部三维重建模型，效果惊艳。该模型基于自监督学习，使用了来自 YouTube 抓取的 6000 多个名人的视频片段进行训练，该模型可以完全从零开始学习，将面部的多种特征分离再重新组合。

15、CVPR2019 | Stereo R-CNN 3D 目标检测 这是一篇来自DJI与港科大合作的双目的3d object detection文章，解决立体视觉中的检测问题。整个文章将传统的detection的任务，结合了geometry constraint优化的方式，用在3Ddetection上面还是比较新颖的。