计算机视觉顶会之一的CVPR2017将于7月21日至7月26日在夏威夷举行。目前文章都已出来或者点击底下阅读原文直接进入）。下面为我们整理的一些关于CVPR2017的论文解读的总结。


1.【简评】[CVPR2017]Loss Max-Pooling for Semantic Image Segmentation

论文主要解决的是semantic segmentation中imbalanced training data distributions问题。在semantic segmentation数据集包括现实世界中存在明显的长尾分布的问题，即大多数的数据组成了小部分的类别，因此会导致学习器更偏向于这些类别。


2.CVPR 2017论文笔记— Dilated Residual Networks

这篇论文是作者将何恺明(Kaiming He)博士残差网络Deep Residual Networks与其之前研究的Dilated Convolution相结合的结果。


3.CVPR2017论文：使用VTransE网络进行视觉关系检测（http://cvmart.net/community/article/detail/61)

知识表示学习的思想（TransE）已经被成功应用于视觉关系提取（Visual Relation Extraction），提交 CVPR 2017 的新论文《Visual Translation Embedding Network for Visual Relation Detection》提出的 VTransE 方法是在这方面所迈出的重要一步。清华大学计算机系助理研究员刘知远对此评论说：「视觉关系和语义关系既有重叠又有互补，未来会有很多有趣的问题值得探索。」

4.CVPR2017：深度纹理编码网络 (Deep TEN: Texture Encoding Network)

文中论文提出了一个新的深度学习模型，这个模型推广了传统的字典学习 (dictionary learning) 和残差编码 (Residual Encoders)。

5.CVPR 2017论文：基于网格的运动统计，用于快速、超鲁棒的特征匹配

论文GMS的方法实际上是消除错误匹配的一种方案，比如可以替换ransac。算法执行的大致流程是：先执行任意一种特征点的检测和特征点的描述子计算，论文中采用的是ORB特征。然后执行暴力匹配BF，最后执行GMS以消除错误匹配。

6.CVPR 2017 目标跟踪相关论文（http://cvmart.net/community/article/detail/68）

文中包括main conference中单目标跟踪相关的论文，总共11篇，相关滤波7篇，其中1篇是oral，3篇用到卷积特征，相关滤波占了64%，(非卷积特征的)CNN相关4篇，可以看出目标跟踪现在最火的是相关滤波和深度学习。

7.论文笔记——CVPR 2017 Annotating Object Instances with a Polygon-RNN

文章作者基于深度学习提出一种半自动目标事例标注（semi-automatic annotation of object instances）的算法。


8.CVPR 2017:Large Margin Object Tracking with Circulant Feature Maps

文章作者基于深度学习提出一种半自动目标事例标注（semi-automatic annotation of object instances）的算法。


9.目标跟踪算法：ECO:（Efficient Convolution Operators for Tracking）

Martin Danelljan的又一新作。继C-COT之后又一刷新纪录的作品。不管是从结果还是速度上都有提升，尤其是速度提升明显。用传统特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS。

10.CVPR 2017 值得关注的亮点（https://www.zhihu.com/question/57523080）

各位大神在目标检测，目标跟踪，GAN等领域都提出了自己的看法，可以看看.


11.李飞飞协同斯坦福、CMU带来全新成果：从网络嘈杂的视频中进行学习(https://www.leiphone.com/news/201706/t2bcrZU4G0RjHVKJ.html)

这项研究是李飞飞团队在今年CVPR上的一项最新工作，该方法提出了一种模型用于自动标注网络中巨量的嘈杂视频。


12.对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection()

本文将对抗学习引入到目标检测问题中，通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络，从而使得网络能够对遮挡和变形问题更加的 robust.


13.行人姿态估计--Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields()

多人姿态实时估计，这里主要亮点还是 多人实时+效果。


14.CVPR2017论文解读博客()

博主解读了多篇CVPR2017论文，可以一读


15.微软亚洲研究院创研论坛 CVPR 2017 论文分享会(http://www.xuetangx.com/event/cvpr2017)

微软亚研院创研举办的关于CVPR2017的论文分享会，共有22篇论文10到15分钟的解读，涉及跟踪，检测，人脸再识别等多个计算机视觉主题。可以回看视频。