问：EfficientDet : 快又准，EfficientNet作者在目标检测领域的移植 | CVPR 2020？
答： 论文: EfficientDet: Scalable and Efficient Object Detection 目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战: FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地
问：CVPR 2020 论文阅读笔记（三维点云/三维重建）？
答： 论文地址： https://arxiv.org/abs/2003.00410 前置文章：10/16、10/17、10/18 本文提出了Point Fractal Network(PF-Net),旨在从不完整的点云数据中恢复点云，克服了之前方法修改现有数据点、引入噪声和产生几何损失的缺点。 由前置文章可知，之前的点云修复方法是输入不完整的点云，输出完整的点云，但这样会导致原有信息的缺失。这篇文章提出PF-Net，主要特点有三个： 网络的整体结构如下： 网络详细推理步骤如下：
问：GNN in CVPR2020？
答：CVPR 2020一共收录了67篇GNN相关论文。有空慢慢更。 1.GraphTER: Unsupervised Learning of Graph Transformation Equivariant Representations via Auto-Encoding Node-wise Transformations [MSAR] https://www.bilibili.com/video/av710708361/ 2.Grid-GCN for Fast and Scalable Point Cloud Learning &#
问：[基于GAN的语义修复] Prior Guided GAN Based Semantic Inpainting 笔记 [CVPR 2020]？
答：用合理的像素值填充图像种的holes或者masked regions genreator: discriminator: 生成图像: 输入潜在的噪声向量: ， 是从已知的分布 采样得到 generator和discriminator的目标分别是让 获得最小和最大值： 给定masked或者damaged image： 对应的原始图像 预训练GAN模型 迭代找到最匹配的 向量使得重建的图像语义最像 这个最优的 在下面损失最小处取得： 其中 是mask的二值图像，mask区域为1
问：【Paper Reading】Deep Snake for Real-Time Instance Segmentation CVPR2020`Oral Paper？
答：https://arxiv.org/abs/2001.01629 https://github.com/zju3dv/snake/ 当前做instance segmentation的大多数工作采用了Mask R-CNN 的Pipeline。 它基本的pipeline是先检测物体矩形框，然后在矩形框中做逐像素分割。 Mask R-CNN达到了很好的instance segmentation的结果，但是这样的pipeline其实有一些limitation： 考虑到逐像素分割有诸多限制，文章的工作选择用contour来表示
问：[CVPR2020]论文翻译SwapText: Image Based Texts Transfer in Scenes？
答： 由于不同因素之间的复杂作用，在保留原始字体，颜色，大小和背景纹理的同时在场景图像中交换文本是一项具有挑战性的任务。在这项工作中，我们提出了一个三阶段框架SwapText，用于跨场景图像传输文本。 首先，提出了一种新颖的文本交换网络来仅替换前景
