在2月24日，CVPR 2020 公布接收论文结果公布，从 6656 篇有效投稿中录取了 1470 篇论文，录取率约为 22%。昨天，CVPR Oral结果公布了。有大佬已经分享了自己的工作，本文整理了5篇已中Oral的论文，分享给大家阅读。
1.PolarMask: 一阶段实例分割新思路[1,2]
论文地址：https://arxiv.org/abs/1909.13226
代码：https://github.com/xieenze/PolarMask
来自作者本人的详细解读：PolarMask: 一阶段实例分割新思路
PolarMask基于FCOS，把实例分割统一到了FCN的框架下。FCOS本质上是一种FCN的dense prediction的检测框架，可以在性能上不输anchor based的目标检测方法，让行业看到了anchor free方法的潜力。本工作最大的贡献在于：把更复杂的实例分割问题，转化成在网络设计和计算量复杂度上和物体检测一样复杂的任务，把对实例分割的建模变得简单和高效。
两种实例分割的建模方式：
实验结果：
2.Scene Graph Generation开源框架[3,4]
论文链接：https://arxiv.org/abs/2002.11949
论文代码：https://github.com/KaihuaTang/Scene-Graph-Benchmark.pytorch
来自作者本人的详细解读：CVPR2020 | 最新最完善的场景图生成 (SGG)开源框架，集成目前最全metrics，已开源
本文选择2019年热门框架facebookresearch/maskrcnn-benchmark作为基础，在其基础上搭建了Scene-Graph-Benchmark.pytorch。该代码不仅兼容了maskrcnn-benchmark所支持的所有detector模型，且得益于facebookresearch优秀的代码功底，更大大增加了SGG部分的可读性和可操作性。
本文提出了一种基于因果推理的新颖SGG框架。首先为SGG建立因果图：
I: Image;X: Object Features; Z: Object Labels;Y:Predicate Logits
然后分析模型中的偏见来源。使用该图进行传统的有偏训练。作者认为，SGG中的偏见主要来源于下图右下角的那种场景，即不看具体的两个物体的状态，通过两个物体的label和一个union box的环境信息，盲猜这两个物体的relationship：
特别的是，作者使用Total Direct Effect取代单纯的网络log-likelihood，使得模型预测更有意义的relationship：
Recall：
3. Learning to Shade Hand-drawn Sketches[5]
论文地址：https://arxiv.org/abs/2002.11812
代码：https://github.com/qyzdao/ShadeSketch
本文提供了一种全自动方法，可以从成对的线描草图和照明方向生成详细而准确的艺术阴影。还提供了一个新的数据集，其中包含了用照明方向标记的成对的线描和阴影的一千个示例。值得一提的是，生成的阴影可以快速传达草绘场景的基础3D结构。因此，本文的方法产生的阴影是可以直接使用的。本文生成的阴影尊重手绘线和基础3D空间，并包含复杂且准确的细节，例如自阴影效果。此外，生成的阴影还包含艺术效果，例如边缘照明或背光产生的光晕，这也是传统3D渲染方法可以实现的。
生成的阴影手绘草图
上图：阴影系统获取线条图和照明方向标签，然后输出阴影。下图：包括三联手绘草图，阴影和照明方向在内的训练集。立方体显示记下26个照明方向的方式
4. SAM: The Sensitivity of Attribution Methods to Hyperparameters[6]
论文地址：http://s.anhnguyen.me/sam_cvpr2020.pdf
代码：https://github.com/anguyen8/sam
归因方法可以提供对分类器决策原因的有力见解。作者认为，一种解释方法的关键要求是其对输入超参数的鲁棒性，输入超参数通常是随机设置或根据经验进行调整的。对任意超参数选择的高度敏感性不仅会阻碍可重复性，而且还会影响解释的正确性。
本文中对现有归因方法的敏感性进行了透彻的实证研究，发现了一个趋势：许多方法对它们共同的超参数的变化高度敏感，例如即使更改随机种子也会产生不同的解释！有趣的是，这种敏感性没有反映在文献中通常报道的数据集的average explanation accuracy scores 中。
5.Conditional Channel Gated Networks for Task-Aware Continual Learning
参考文献
[1] https://zhuanlan.zhihu.com/p/84890413
[2] https://arxiv.org/abs/1909.13226
[3] https://zhuanlan.zhihu.com/p/109657521
[4] https://arxiv.org/abs/2002.11949
[5] https://arxiv.org/abs/2002.11812
[6] http://s.anhnguyen.me/sam_cvpr2020.pdf
上述内容，如有侵犯版权，请联系作者，会自行删文。
