1、加之Transformer在之前的图像任务上，都已经取得了非常不错的性能，用来做点云的话，说不定效果也不错。

2、论文信息

3、9海蓝#70DB93 

4、B．ScanNet

5、48浅灰色#A8A8A8 (qq昵称嵌入颜色代码)。

6、4总结

7、本文作者

8、在个人信息保护法出台之前，我国对个人信息保护的原则及禁止性规定主要集中在《中华人民共和国网络安全法》第四章(网络信息安全)，网络安全法具有较高位阶，不会对做出过于细则的规定，鉴于此，2019年12月30日工信部等四部门发布了《App违法违规收集使用个人信息行为认定方法》，对法律所禁止的个人信息收集使用方式进行了反向列举式回应，包括以下几个方面：

9、邮箱：hlwxms@wjngh.cn

10、未经同意，也未做匿名化处理，将自身服务器数据向第三方提供；

11、6D目标姿态估计对许多重要的现实应用都很关键，例如机器人抓取与操控、自动导航、增强现实等。斯坦福大学李飞飞团队致力于研究如何提高姿态估计的准确率和推断速度，并在CVPR发表了论文“DenseFusion:6DObjectPoseEstimationbyIterativeDenseFusion“。这项研究希望给机器人提供在不同情况下对操作物体的位置和姿态的识别能力，从而能实现更精准的抓取和分拣操作。

12、虽提供了功能但未及时响应，需人工处理的，未在承诺时限内完成(承诺时限不得超过15个工作日，无承诺时限的以15个工作日为限)

13、投稿、合作也欢迎联系：simiter@1com

14、JasonCorso:(qq昵称嵌入颜色代码)。

15、论文图示：6D目标姿态估计模型(来源ChenWang)

16、BrentGriffin:

17、ICLR的深度和广度相当鼓舞人心。在这里，我只介绍了“深度学习”主题的冰山一角。然而，这一分析表明，有一些是很受欢迎的领域，特别是：

18、11蓝紫色#9F5F9F 

19、论文：https://openreview.net/forum?id=S1gSj0NKvB

20、另外还有一项工作是UCLA孙怡舟团队的工作《ArePowerfulGraphNeuralNetsNecessary?ADissectiononGraphClassification 》。这项工作显示如果用一个线性近邻聚合函数取代原有的非线性近邻聚合函数，模型的性能并不会下降。这与之前大家普遍认为“图数据集对分类的影响并不大”的观点是相反的。同时这项工作也引发一个问题，即如何为此类任务找到一个合适的验证框架。

21、Skolkovo科学技术研究院的IvanovSergey等人在《UnderstandingIsomorphismBiasinGraphDataSets》研究中发现，在MUTAG和IMDB等常用数据集中，即使考虑节点属性，很多图也都会具有同构副本。而且，在这些同构图中，很多都有不同的target标签，这自然会给分类器引入标签噪声。这表明，利用网络中所有可用的元信息(如节点或边属性)来提高模型性能是非常重要的。

22、进入编辑资料，在原来的昵称后面粘贴刚才复制的符号，如图所示。

23、红色#cFF0000

24、　　打完名字后一定要留一个字符位，因为靓字是要占一个字符的。显示靓字，QQ号码不倒置

25、《App违法违规收集使用个人信息行为认定方法》(以下称“认定方法”)

26、Wenli:许多自动驾驶公司当前所使用的智能传感技术是什么？你们对此有什么看法？

27、自动驾驶汽车依靠各种传感器来感知环境。每种类型的传感器都有自己的优点和缺点。LiDAR提供精确的距离信息，并且能够探测到小物体，但是成本比较高，如何在保证传感器的精准基础上降低成本，是计算机视觉领域的一个重要研究方向。论文“Pseudo-LiDARfromVisualDepthEstimation:BridgingtheGapin3DObjectDetectionforAutonomousDriving”研究了在无人驾驶中如何使用LiDAR以外的技术来获取精准数据。

28、作者：BrentA.Griffin, JasonJ.Corso

29、已有多篇论文对图分类问题的研究成果进行了详细的分析。比萨大学的FedericoErrica等人提出《AFairComparisonofGraphNeuralNetworksforGraphClassification 》在图分类问题上，对GNN模型进行了重新评估。

30、我们在本次CVPR大会上推出了该平台的第一个版本，包含有三个主要的用例。第一个用例是帮助计算机视觉或机器学习专家建立模型进行视频对象分割。他们通常不太了解后端操作，不清楚如何打造一个系统来实现在一天内处理数千小时视频的功能。我们的平台可以帮助他们把模型导入Voxel51的软件开发工具包并在几小时内部署在平台上，更快的实现他们的目标。

31、Wei-LunChao:

32、国家市场监督管理总局、国家标准化管理委员会

33、43青黄色#93DB70 

34、受3D场景理解发展的启发，作者将学习到的几何先验引入基于图像的视觉任务的表示学习，利用稀疏卷积backbone用于预训练期间使用的3D特征。作者提出的Pri3D，旨在预训练阶段学习3D先验知识，然后将它们用作初始化，以对基于图像的下游任务(如语义分割、检测和实例分割)进行微调。更具体地说，作者将几何约束引入到对比学习框架，该过程是通过现成的多视图RGB-D数据实现的，然后通过不同图像之间的隐式多视图约束以及对应于图像区域的几何块的显式对应关系来合理利用几何相关性。将几何知识输入到图像的表示学习中，然后可以将其用作各种基于图像的视觉任务的预训练特征。

35、先看分类的效果，在ModelNet40数据集上的分类结果表明，PCT的分类精度可以达到2%，超越了目前所有点云的分类模型。

36、事实上，从分类和分割的效果上来看，图像做得都还不错。

37、关于PolarMask的原理，这里摘抄一段作者大佬的详细解析 ，就不班门弄斧了，感兴趣的可以看作者文章跟论文。

38、论文：https://openreview.net/forum?id=HkgH0TEYwH

39、我们最开始只遵循使用第一个注释帧的方法，但发现我们想要在视频中删除的对象可能一直在不停运动，这样一来注释效果就比较差。后来我们发现只使用中间帧的效果也很好。我们的一个客户公司不知道如何选择最好佳注释帧，希望我们的能够自动化这个过程。听起来很难实现，但实际上我们能够利用DAVIS(DenselyAnnotatedVIdeoSegmentation)数据集找到一种方法来获取其中包含的注释信息，并将这些信息转换成60个原始视频中所包含的75万个训练样例，用于训练BubbleNets，最后再进行注释筛选。问题就在于，我们如何利用这些有限的注释视频示样例生成大量训练样例，如何理解视频的内容。这涉及到很多参数。如果你的训练样例有限，很容易就会导致过度拟合。

40、Wenli:你们认为相机和LiDAR相结合是比较有前景的行业趋势吗？单独使用相机能够实现高级自动驾驶吗？

41、通过在几何约束下的ScanNet上进行预训练，证明了所提方法可以通过自监督的预训练(即不使用语义标签)提高2D语义分割的性能，例如分割和检测任务。作者不仅在ScanNet数据上证明了这一点，而且还将其推广到了基于NYUv2的语义分割、实例分割和检测任务。此外，利用这种几何先验进行预训练提供了强大的功能，可以在大量可用的训练数据下进一步提高性能。当然作者也提到，本文虽然专注于室内场景理解，但可以为更一般的3D图像感知理解开辟新的方向。

42、我们正式描述了初始化时有效剪枝的初始化条件，并分析了得到的剪枝网络的信号传播特性，提出了一种增强剪枝网络可训练性和剪枝效果的方法。

43、以多种理由强制要求收集；

44、在2D对比预训练算法中，可以通过各种数据增强来寻找正匹配对(positivematching)。例如，可以使用随机裁剪作为同一图像内的自监督约束，用于正对(positivepairs)，并将与来自其他图像的对应裁剪区域作为负对(negativepairs)。这里作者认为，有了可用于训练的3D数据，就可以利用几何知识在具有相同点的多个图像之间进行匹配约束。这里作者使用了ScanNetRGB-D数据集，该数据集提供了一系列RGB-D图像，其中相机位姿由最新的SLAM方法计算，并重建了几何表面S。

45、方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

46、我们特别关注无人车使用LiDAR是不是绝对必要。LiDAR是一种主动式传感器，性能非常好，能够在黑暗中工作，通过检测发送激光脉冲在检测目标上反射的信息来测量距离。但是LiDAR非常昂贵，会增加汽车的成本。

47、违规使用用户个人信息方面；

48、文字格式：聊天时可以为消息内容设置文字格式，指令为“＃字母”，区分大小写。

49、42铜绿色#527F76 

50、(2)对每个实例，预测k个的线性组合系数(MaskCoefficients)

51、感谢支持，比心。

52、14棕色#A67D3D 

53、(1)首次探索3D先验知识对2D图像理解任务的影响，展示了3D几何预训练对复杂2D感知(如语义分割、对象检测和实例分割)的好处。

54、SelectionviaProxy:EfficientDataSelectionforDeepLearning

55、通报41款App，新浪体育、搜狐新闻在列

56、https://zhuanlan.zhihu.com/p/102231853

57、8黑色#000000

58、NeuralArithmeticUnits

59、从注意力图(attentionmap，标量矩阵，查看层的重要性)的可视化来看，模型分割的边缘和形状也很清晰。

60、青色＃c00FFFF  黄色＃cFFFF00  黑色＃c000000  海蓝＃c70DB93

61、还有网友希望在将来NeRF帮助谷歌街景可以把自己模糊一下...

62、视觉SLAM必备基础 SLAM的第一个实践，最适合学哪个开源框架？

63、其中参数最大的PCT，精度也达到了最高的2%，如果更侧重于小型参数量，那么NPCT和SPCT则在36M参数的情况下，精确度分别达到了91%和92%。

64、2020年才刚刚开始，我们已经可以在最新的研究论文中看到图机器学习(GML)的发展趋势。以下是我对2020年GML的重要内容的看法以及对这些论文的讨论。

65、＃Y表示后面的字体为黄色(yellow)

66、39金色#CD7F32 

67、17士官服蓝色#5F9F9F 

68、而3D点云，则是用点云表示三维世界的一种方法，可以想象成将三维物体进行原子化，用多个点来表示一种物体。

69、▲长按关注我们

70、监督抽查阶段(2011至2030);

71、209

72、论文链接：

73、论文：https://openreview.net/forum?id=HJeTo2VFwH

74、代码：https://github.com/AndreasMadsen/stable-nalu

75、Target-EmbeddingAutoencodersforSupervisedRepresentationLearning

76、康奈尔的ChenhuiDeng等人的《GraphZoom:AMulti-levelSpectralApproachforAccurateandScalableGraphEmbedding》提出了一种改善运行时间和准确率的方法，可以应用到任何无监督嵌入方法的节点分类问题。

77、何种情况属于“未公开收集使用规则”

78、张昌倩

79、认定方法列举的禁止情形较为具体，其中值得注意的是，网络运营者不仅要按照以上认定做好自身产品设置，对委托的第三方或嵌入的第三方代码、插件的收集使用行为亦要明示其目的、方式和范围，通过嵌入的第三方代码、插件向第三方提供个人信息的行为，若未经用户同意或做匿名化处理，也属于禁止范畴。

80、47浅蓝色#C0D9D9 

81、6名作者来自清华大学胡事民团队，卡迪夫大学。

82、我们正在推动的“混合智能”领域的研究有很多问题亟待解决。比如一个研究项目是获取YouTube上的行车记录仪视频，其中记录的通常是比较罕见的交通事件。但训练自动驾驶模型通常需要大量数据训。我们开发的一个技术能够从YouTube中获取大量单眼数据，但是我们无法直接利用单眼数据对场景进行全面重建，还需要借助人工的辅助，比如提供车辆的品牌信息，标记事故中的车辆等等。人工智能方法无法提供这类信息，所以一个很重要的工作就是充分结合机器的自动操作和人工的辅助功能。

83、何种情况属于“未经用户同意收集使用个人信息”

84、何种情况属于“违反必要原则，收集与其提供的服务无关的个人信息”

85、自下而上的实例分割方法的思路是：首先进行像素级别的语义分割，再通过聚类、度量学习等手段区分不同的实例。

86、然后选择QQ个人中心里面的“了解会员特权”；

87、一个是当下最热门的模型(NLP、图像领域表现都不错)，另一个是自动驾驶领域、机器人抓取等领域的关键技术。