PyTorch实施“学习内存指导的异常检测正常性” 这是论文“学习内存指导的异常检测正常性（CVPR 2020）”的实现。 有关更多信息，请查看项目站点[]和论文[ ]。 依存关系 Python 3.6 PyTorch 1.1.0 脾气暴躁的 斯克莱恩 数据集 USCD Ped2 [] 中大大道[] ShanghaiTech [] 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR 2018）”的官方github。 将数据dataset下载到数据dataset文件夹中，例如./dataset/ped2/ 更新 21年2月4日：我们上传了基于重建方法的代码，并预先训练了用于Ped2重建，大道预测和大道重建的方法。 训练 训练和测试代码基于预测方法 现在，您可以基于预测和重构方法对代码进行隐含标记。 这些代码基本上是基于预测方法的，您可以轻松地将其实现为 git c

班级增量学习 文件 用于班级增量学习的自适应聚合网络，CVPR2021。[ ] [] 助记符训练：无需忘记的多级增量学习，CVPR2020。[ ] [] 引文 如果它们对您的工作有帮助，请引用我们的论文： @inproceedings { Liu2020AANets , author = { Liu, Yaoyao and Schiele, Bernt and Sun, Qianru } , title = { Adaptive Aggregation Networks for Class-Incremental Learning } , booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } , year = { 20

matlab fft代码这是CVPR18中我们的MKCFup论文的实现。 为了提高速度，我们在C ++版本中使用DSST代替了fDSST。 我们在具有Intel Core i7-7700 3.60GHz CPU和8GB RAM的PC上执行了此实现。 在采用Release-x64模式的OTB2013上，平均FPS为175 ，我们的结果存储在./res中。 Matlab版本请参考 注意：根据opencv4，大多数C API已被排除，如果您使用opencv4，则在run_MKCFup.cpp和fhog.hpp中可能会更改某些API。 在运行我们的代码之前，请检查您是否已完成以下步骤。 安装Visual Studio 2015 +，fftw3.3.5 +（可以改用cv :: fft，但可能会慢一些）和opencv3.2 +； 确保在您的项目中添加了cn_data.cpp，ComplexMat.cpp和gradientMex.cpp； 在您的视觉工作室中打开OpenMP支持； 使用发布模式。 请运行run_MKCF.cpp以使用我们的跟踪器。 如果遇到速度问题，请确保在发布模式下，跟踪器的速度比

How to get your CVPR paper rejected

使用SDF形状先验的可区分渲染自动标记3D对象 官方实施CVPR 2020纸“Autolabeling 3D对象用SDF形状先验的可微渲染”的通过在ML团队比照。 如下。 设置环境 要使用conda设置环境，请使用以下命令： conda env create -n sdflabel -f environment.yml conda activate sdflabel 将sdfrenderer目录添加到PYTHONPATH ： export PYTHONPATH="${PYTHONPATH}:/path/to/sdfrenderer" 优化演示 要运行优化演示，请首先下载。 然后，将存档解压缩到项目的根文件夹并运行以下命令： python main.py configs/config_refine.ini --demo 培训CSS网络 要训​​练CSS网络，请运行以下命令： p

拟无监督的颜色恒定性 本文所述方法的实现： 西蒙妮·比安科（Simone Bianco），克劳迪奥·库萨诺（Claudio Cusano），“准无监督色彩恒定性”-CVPR 2019 该文件可。 另请参见或尝试。

A Weighted Sparse Coding Framework for Saliency Detection, Nianyi Li, Bilin Sun, Jingyi Yu, CVPR 2015----code

更新：如果您正在寻找Wav2Lip， Lip2Wav 仅通过唇部动作即可产生高质量的语音。该代码是论文的一部分：在CVPR'20上发表的论文，学习个人说话风格以实现准确的语音合成。 | | 最近更新 发布了适用于所有扬声器的数据集和预训练模型！ 已发布在LRW数据集上训练的多扬声器单词级Lip2Wav模型的预训练模型！ （分支） 强调 在不受限制的情况下，仅通过嘴唇运动即可产生可理解的语音的第一项工作。 问题的序列到序列建模。 提供5个扬声器的数据集，其中包含100多个小时的视频数据！ 提供了完整的培训代码和预训练的模型。 推理代码从预训练的模型生成结果。 还提供了用于计算论文中报告的指标的代码。 你也可能对此有兴趣： :party_popper:使用Wav2Lip进行口语同步的语音视频到任何语音： : 先决条件 Python 3.7.4 （此版本已通过代码测试） ffmpeg： sudo apt

Yang Gao1, Oscar Beijbom1, Ning Zhang2∗, Trevor Darrell1 †Bilinear models has be

基于随机平滑的数据中毒防御有多强健？ 抽象的 可证明可靠的分类器的预测在一个点附近保持不变，从而使它们在保证测试时间的情况下具有弹性。 在这项工作中，我们提出了对健壮的机器学习模型的前所未有的威胁，突显了训练数据质量在实现高认证健壮性方面的重要性。 具体而言，我们提出了一种基于双层优化的新型数据中毒攻击，该攻击会降低可证明的鲁棒分类器的鲁棒性保证。 与其他数据中毒攻击会降低一小组目标点上的中毒模型的准确性不同，我们的攻击会减少数据集中整个目标类的平均认证半径。 此外，即使受害者使用最新的健壮训练方法（例如， 和从头开始训练模型，我们的攻击也是有效的。 为了使攻击更难检测，我们使用带有明显较小失真的干净标签中毒点。 通过中毒MNIST和CIFAR10数据集并使用前面提到的鲁棒训练方法训练深度神经网络，并使用随机平滑验证其鲁棒性，来评估所提出方法的有效性。 对于使用这些强大的训练方法训练的模型