点击上方，选择星标或置顶，不定期资源大放送！

阅读大概需要6分钟

pick小博主，每天更新前沿干货

【导读】IEEE国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern Recognition) ！原定在华盛顿州西雅图的华盛顿州会议中心举行，但是当前全球疫情势态严峻，CVPR 2020采取于6月14到6月19日在线举办！本文我们分享这两天大会期间部分优秀的Tutorial.

CVPR2020论文列表信息

根据CVPR 2020官方公布论文收录结果，在6656篇有效投稿中，共有1470篇论文被接收，接收率为22%左右，相较去年25%的入选率，同比下降3%。

官网链接：http://cvpr2020.thecvf.com/

论文下载链接：http://openaccess.thecvf.com/CVPR2020.py

29个Tutorial 教程目录

部分优秀Tutorial解读

1. 计算机视觉中的可解释机器学习

很多复杂的机器学习模型，比如深度卷积神经网络和递归神经网络，最近在广泛应用在计算机视觉方面，并取得了很大的进展，例如物体/场景识别，图像字幕，视觉问题回答。但它们经常被视为黑匣子。随着模型的不断深入以寻求更好的识别精度，理解模型给出的预测以及为什么会这样就变得更加困难了。

在ICCV19和CVPR18上，有超过1000名观众参加了两场可解释性机器学习教程，在此基础上，CVPR20中的第三场教程。我们将回顾在计算机视觉中分析数据和模型的可视化、解释和解释方法方面的最新进展。本教程的主题是通过阐明机器学习解释性的动机、典型的方法、未来的趋势以及由此产生的解释性的潜在工业应用，从而实现在新兴的机器学习解释性主题上建立一个共识。

2. 视频建模的全面教程

这是一个由亚马逊AWS组织的视频建模教程。我们的目标受众包括学生、研究人员和工程师，他们都正在学习视频建模的最新进展，然后进行相应的研究，最后将其应用于现实世界的问题。

在本教程中，我们将有六个技术会议。首先简要介绍视频中人类活动理解的问题，包括视频的输入数据、常见任务、流行模型和开放性挑战。接下来，我们深入技术细节，并回顾最近的视频建模方法在一个时间顺序。我们还介绍了GluonCV视频模型，它涵盖了流行的视频模型和数据集，并提供了大量教程。为了有效地训练深度视频模型，我们还引入了一种高效的视频阅读器Decord。Decord提供了易于使用的python视频切片界面，比现有的OpenCV和PyAV等视频阅读器效率更高。然后，我们从建模过渡到部署，并介绍了将视频模型部署到生产设备(如Jetson Nano/Xavier)的最佳实践。最后，我们介绍了AWS正在进行的各种视频研究，包括跟踪、姿态估计、活动分类和动作检测。

3. 从HPO到NAS: 自动深度学习

研究人员已经花费了大量的时间来优化超参数和调整结构。我们能否减少开发深度学习算法的努力，让研究人员更多地关注创新领域?在本教程中，我们鼓励研究人员设计超参数范围和可能的网络架构组合，并将工作负载传递给机器。本教程将涵盖自动机器学习中的重要概念，以及在计算机视觉中的应用。观众将能够通过使用Jupiter Notebooks的动手部分来复制大规模的实验。

4. Wild环境下图像检索

基于内容的图像检索是与可视化集合交互的最基本技术之一。尽管在过去的十年中已经取得了显著的进步，现有的技术只是在一个标准的基准上进行评估，比如主要由建筑图像组成的牛津数据集。如何为现实世界的应用创建一个实用的、大规模的视觉搜索系统，如在线市场购物项目的推荐，或者在安全场景下对行人的重新识别，还没有足够的讨论。

5. 图网络结构的学习表示

近年来，卷积神经网络(ConvNets)在大量计算机视觉任务中的应用出现了戏剧性的增长。卷积结构在许多任务中都是非常强大的，它可以从图像像素中提取相关性和抽象概念。然而，当面对一些更困难的计算机视觉任务时，ConvNets在建模中也有相当多的属性方面存在缺陷。这些属性包括成对关系、全局上下文和处理超越空间网格的不规则数据的能力。

一个有效的方向是根据手头的任务重新组织要用图处理的数据，同时构建网络模块，在图内的视觉元素之间关联和传播信息。我们将这种具有传播模块的网络称为图网络结构。在本教程中，我们将介绍一系列有效的图网络结构，包括非局部神经网络、空间广义传播网络、面向对象和多主体行为建模的关系网络、面向3D领域的视频和数据的图网络。我们还将讨论如何利用图神经网络结构来研究连接模式。最后，我们将讨论在许多视觉问题中仍然存在的相关开放挑战。

6. 视觉和语言研究的最新进展

视觉和语言(V+L)研究是计算机视觉和自然语言处理之间联系的一个有趣的领域，并迅速吸引了这两个领域学者的关注。各种各样的V+L任务，以大规模的人类注释数据集为基准，已经推动了联合多模态表示学习的巨大进步。本教程将重点介绍该领域中最近流行的一些任务，如视觉字幕、视觉基础、视觉问题回答和推理、文本到图像的生成以及通用图像-文本表示的自监督学习。我们将涵盖这些领域的最新方法，并讨论集中体现多模态理解、推理和生成的核心挑战和机遇的关键原则。

Tutorial教程传送门

为了大家更方便的阅览，我已为大家将上述教程链接打包好!（建议复制粘贴）

• 后台回复“CVPR2020_Tutorial” 就可以获取《CVPR2020 Tutorial教程slides》链接

欢迎添加群助手微信，邀请您加入CV大佬-计算机视觉微信交流群！

???? 长按识别添加，邀请您进群！