【ECCV2018】24篇论文代码实现

【导读】计算机视觉领域的顶级会议ECCV2018于9月8日在德国慕尼黑举办，前两天是workshop日程。在主会议正式开幕之前，让我们先来看看24位ECCV2018论文作者开源的论文实现代码~

1. Simple Baselines for Human Pose Estimation and Tracking （357 stras）

论文链接：https://arxiv.org/abs/1804.06208

代码链接：https://github.com/Microsoft/human-pose-estimation.pytorch#simple-baselines-for-human-pose-estimation-and-tracking

 

 

2. ICNet for Real-Time SemanticSegmentation on High-Resolution Images (344 stars)

论文链接：https://hszhao.github.io/projects/icnet/

代码链接：https://github.com/hszhao/ICNet

3. Instance-Batch Normalization Network （225stars）

论文链接：https://arxiv.org/abs/1807.09441

代码链接：https://github.com/XingangPan/IBN-Net

 

4. Distractor-aware SiameseNetworks for Visual Object Tracking （225 stars）

论文链接：https://arxiv.org/pdf/1808.06048.pdf

代码链接：https://github.com/foolwood/DaSiamRPN

 

5. Pixel2Mesh: Generating3D Mesh Models from Single RGB Images (98 stars)

论文链接：https://arxiv.org/abs/1804.01654

代码链接：https://github.com/nywang16/Pixel2Mesh

 

6. MVSNet: Depth Inferencefor Unstructured Multi-view Stereo（85 stars）

论文链接：https://arxiv.org/abs/1804.02505

代码链接：https://github.com/YoYo000/MVSNet

 

7. Macro-Micro AdversarialNetwork for Human Parsing （61stars）

论文链接：https://arxiv.org/abs/1807.08260

代码链接：https://github.com/RoyalVane/MMAN

 

8. Learning Human-Object Interactions by GraphParsing Neural Networks （54 stars）

论文链接：http://web.cs.ucla.edu/~syqi/publications/eccv2018gpnn/eccv2018gpnn.pdf

代码链接：https://github.com/SiyuanQi/gpnn

 

9. Enhanced Super-Resolution GenerativeAdversarial Networks

论文链接：https://arxiv.org/abs/1809.00219

代码链接：https://github.com/xinntao/ESRGAN

 

10. PSANet: Point-wise Spatial AttentionNetwork for Scene Parsing （34 stars）

论文链接：https://hszhao.github.io/projects/psanet/

代码链接：https://github.com/hszhao/PSANet

 

11.OM-CNN+2C-LSTM for video salinecy prediction

论文链接：https://arxiv.org/abs/1709.06316

代码链接：https://github.com/remega/OMCNN_2CLSTM

 

12. Interpretable Intuitive Physics Model

论文链接：https://www.cs.cmu.edu/~xiaolonw/papers/ECCV_Physics_Cameraready.pdf

代码链接：https://github.com/tianye95/interpretable-intuitive-physics-model

 

13. Transferring GANs generating images fromlimited data

论文链接：https://arxiv.org/abs/1805.01677

代码链接：https://github.com/yaxingwang/Transferring-GANs

 

14. Superpixel Sampling Networks

论文链接：https://varunjampani.github.io/ssn/

代码链接：https://github.com/NVlabs/ssn_superpixels

 

15. A Trilateral Weighted Sparse Coding Schemefor Real-World Image Denoising

论文链接：https://arxiv.org/abs/1807.04364

代码链接：https://github.com/csjunxu/TWSC-ECCV2018

 

16. Deep Randomized Ensembles for MetricLearning

论文链接：https://arxiv.org/abs/1808.04469

代码链接：https://github.com/littleredxh/DREML

 

17. VISDrone2018: Challenge-ObjectDetection in Images

竞赛内容主页：http://www.aiskyeye.com/

实现代码：https://github.com/zhpmatrix/VisDrone2018

 

18. Part-Aligned Bilinear Representations forPerson Re-identification

论文链接：https://cv.snu.ac.kr/publication/conf/2018/reid_eccv18.pdf

代码链接：https://github.com/yuminsuh/part_bilinear_reid

 

19. Inner Space Preserving - Generative PoseMachine (ISP-GPM)

论文链接：https://arxiv.org/abs/1808.02104

代码链接：https://github.com/ostadabbas/isp-gpm

 

20. Rethinking the Form of Latent States inImage Captioning

论文链接：https://arxiv.org/abs/1807.09958

代码链接：https://github.com/doubledaibo/2dcaption_eccv2018

 

21. Diverse Conditional Image Generation byStochastic Regression with Latent Drop-Out Codes

论文链接：https://arxiv.org/abs/1808.01121

代码链接：https://github.com/SSAW14/Image_Generation_with_Latent_Code

 

22. Learning Efficient Single-stage PedestrianDetectors by Asymptotic Localization Fitting

论文链接：https://github.com/liuwei16/ALFNet/blob/master/docs/2018ECCV-ALFNet.pdf

代码链接：https://github.com/liuwei16/ALFNet

 

23. Statistically-motivated Second-orderPooling

论文链接：https://arxiv.org/abs/1801.07492

代码链接：https://github.com/kcyu2014/smsop

 

24. Learning to Navigate for Fine-grainedClassification

论文链接：https://arxiv.org/abs/1809.00287

代码链接：https://github.com/yangze0930/NTS-Net

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

 AI 项目技术 & 商务合作：bd@zhuanzhi.ai, 或扫描上面二维码联系！

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知