【最新】CVPR 2019 论文集下载和 Tutorial 大全目录

2019 年 6 月 11 日 专知

【导读】计算机视觉最具影响力的学术会议之一的 IEEE CVPR 于2019 年 6 月 16 日在美国加州的长滩市召开举行。在2014年CVPR上首次超过2000人参加，2018年注册参会人员也达到了 6512 位，而今年将会超过这个数字。

据 CVPR 官网显示，今年共收到了 5165 篇有效提交论文，比去年 CVPR2018 增加了 56%，最近，CVPR 官网也公布了论文的proceedings，显示有1294篇paper，和原先的1300篇略有出入。

官网也放出了今年CVPR 2019 proceedings论文列表，大家可以下载查看。链接：

http://openaccess.thecvf.com/CVPR2019.py

由于proceedings比较大，专知已经整理好，请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

后台回复“CVPR2019PAPER” 就可以获取CVPR 2019 proceedings下载链接~

今年会议包含了很多个Tutorial ，专知小编列了几个比较感兴趣的Tutorial，请查看！

1. Deep Reinforcement Learning for Computer Vision，基于深度强化学习的计算机视觉

讲者：Jiwen Lu, Liangliang Ren and Yongming Rao

摘要：近年来，深度强化学习已发展成为机器学习的基本技术之一，并成功地应用于广泛的计算机视觉任务(表现出最佳的性能)。在本教程中，我们将概述深度强化学习技术的发展趋势，并讨论如何使用它们来提高各种计算机视觉任务的性能(解决计算机视觉中的各种问题)。首先，我们简要介绍了深度强化学习的基本概念，并指出了在不同的计算机视觉任务中所面临的关键挑战。其次，我们介绍了一些用于计算机视觉任务的深度强化学习技术及其变体: 策略学习（policy learning）、注意感知学习（attention-aware learning）、不可微优化（non-differentiableoptimization）和多智能体学习（multi-agent learning）。第三，我们介绍了深度强化学习在计算机视觉不同领域的应用。最后，我们将讨论一些在深度强化学习中的开放问题，以展示如何进一步开发更先进的计算机视觉算法。

链接：

http://ivg.au.tsinghua.edu.cn/DRLCV/

2. Learning Representations via Graph-structured Networks，通过图结构网络来学习表示

讲者：Sifei Liu, Varun Jampani, Xiaolong Wang , Dhruv Batra, Abhinav Gupta, Jan Kautz, Ming-Hsuan Yang

摘要：近年来，卷积神经网络(ConvNets)在众多计算机视觉任务中的应用出现了显著的增长。卷积的结构在许多任务中被证明是强大的，可以从图像像素中捕捉相关性和抽象概念的。然而，当计算机视觉处理更困难的人工智能任务时，ConvNets也被证明在建模相当多的属性方面存在缺陷。这些特性包括成对关系（pairwiserelation）、全局上下文（global context）和处理空间网格之外的不规则数据的能力。一个有效的方向是根据手头的任务用图重新组织要处理的数据，同时构建网络模块，在图中跨视觉元素关联和传播信息。我们将这些具有传播模块的网络称为图结构网络。在本教程中，我们将介绍一系列有效的图结构网络，包括非局部神经网络、空间传播网络、稀疏高维CNNs和场景图网络。我们也将讨论在许多视觉问题中仍然存在的相关开放挑战。

链接：

https://xiaolonw.github.io/graphnn/

2. Textures, Objects, Scenes: From Handcrafted Features to CNNs and Beyond，纹理、目标、场景: 从手工生成特征到CNN以及更先进的模型

讲者：Li Liu, Bolei Zhou, Liang Zheng, and Wanli Ouyang

摘要：本教程旨在回顾计算机视觉在深度学习时代之前和之后的技术，包括对象检测、纹理分类、场景理解和实例检索等关键领域。在过去的25年中，计算机视觉领域发生了翻天覆地的变化，尤其是在视觉识别领域。在纹理识别、图像分类、目标检测与识别、场景分类和基于内容的实例检索等众多视觉识别问题中，特征表示和学习方法的发展是取得巨大成功的关键。具体来说，我们将关注四个不同层次上紧密相关的视觉识别问题:纹理识别、目标检测与识别、场景理解和基于内容的图像检索。这些问题在计算机视觉和模式识别领域得到了学术界和工业界的广泛关注。对于每个问题，本教程将首先回顾这两个发展中领域的里程碑，然后概述当前的前沿和领先基准数据集的最新性能，最后讨论未来可能的研究方向。