这篇文章，是2019年新的ICCV的papper，文章典型的使用了PatchMatch的思路，使得最后的速度快了很多。主要思路是：首先利用一种新颖的可微Patch Match算法来获得稀疏的cost volume。 然后，我们利用此表示来了解每个像素的修剪范围，自适应地修剪了每个区域的搜索空间。 最后，利用图像引导的优化模块来进一步提高性能。 由于所有组件都是可区分的，因此可以以端到端的方式训练整

DARTS：可微架构搜索 论文链接：https://arxiv.org/abs/1806.09055 项目链接：https://github.com/quark0/darts ABSTRACT 本文通过以可微分的方式表述任务，解决了架构搜索的可扩展性挑战。与在离散和不可微搜索空间上应用进化或强化学习的传统方法不同，我们的方法基于架构表示的连续松弛，允许使用梯度下降对架构进行有效搜索。在

本文将介绍发表在ECCV 2020的一篇基于图模型的多人姿态估计方法，作者来自香港大学、商汤科技、南京大学和悉尼大学。 论文链接： https://arxiv.org/abs/2007.11864v1 代码链接： 尚未公开 主要思想： 现有的多人姿态估计模型一般分为一般分为两大类：top-down和bottom-up方法。Top-down的模型先对输入的图像进行目标检测，检测出图像中每个人的b

作者： Hanxiao LiuKaren SimonyanYiming YangCMUDeepMindCMUhanxiaol@cs.cmu.edusimonyan@google.comyiming@cs.cmu.edu Liu, Hanxiao, Karen Simonyan, and Yiming Yang. “Darts: Differentiable architecture sear

Diff-DOPE: Differentiable Deep Object Pose Estimation 文章概括摘要I. 介绍II. 相关工作III. DIFF-DOPEIV. 实验结果A. 实施细节和性能B. 准确性C. 机器人-摄像机校准 V. 结论VI. 致谢 文章概括 作者：Jonathan Tremblay, Bowen Wen, Valts Blukis, Bal

我们提出了一个名为可微二值化(DB)的module，它可以在分割网络中执行二值化过程。DB module和分割网络一起优化，可以自适应设置二值化的阈值，从检测精度和速度两方面来看，它达到了19年最先进的结果，检测1器实现了 F-measure of 82.8,速度为62FPS, 在MSRA-TD500 数据集上 传统做法：大多数现有的检测方法使用类似的post-processing，如图所示(蓝

论文链接 https://arxiv.org/pdf/1902.00293 动机 一般的车道线检测算法分为两步，第一步进行图像分割，第二步对分割结果进行后处理。这种2-step的方法不是直接预测车道线，所以通过分割的方式预测车道线不一定能够实现最佳的表现。 贡献 提出一个可以直接预测车道线的方法。利用最小二乘法可微的性质，实现车道线检测网络端到端的训练。车道线检测网络分为两个部分：（1）

论文：Learning Efficient GANs using Differentiable Masks and co-Attention Distillation   代码：DMAD   最近在做毕设，翻GitHub时看到原作者的repo，就尝试拿来跑一下自己的数据。结果一上来就报错（除了一些通用性比较高的repo外，很多都会遇到这种问题），解决了半天的环境问题，遇到下面这个错