CVPR

该MATLAB代码先保存并运行了LSTM姿态机，这是CVPR'18中的一项研究。回购包括该论文的源代码，作者包括罗岳、王周霞等。代码已在64位Linux（Ubuntu 14.04 LTS）上测试，并要求安装MATLAB（R2015a）和至少2.4.8版本的OpenCV。使用了CUDA8.0 + cuDNNv5在GTX TitanX上测试通过。

PoseTrack-CVPR2017提供了用于联合多人姿势估计和跟踪的MATLAB源代码。作者包括乌马尔·伊克巴尔（Umar Iqbal）、安东·米兰（Anton Milan）和尤尔根·加尔（Jurgen Gall）。该代码已在带有MATLAB（2016a）的Ubuntu 16.04（64位）上进行了测试。安装需要C++11、CUDA >= 7.5、MATLAB、HDF5 1.8和CMake。详细的安装说明可以在项目的GitHub存储库中找到。

乔治·帕夫拉科斯（Georgios Pavlakos），周晓薇，科斯塔斯·达尼利迪斯（Kostas Daniilidis）提出了用于3D人体姿势估计的“序数深度监督”方法。这里提供了相应论文的代码链接，用于在CVPR 2018中实现的序数姿态3D深度监视。使用说明包括命令行调用ConvNet模型和MATLAB脚本（存储于matlab文件夹），用于可视化和评估。确保预先安装MATLAB和hdf5库，并按照指南下载模型和数据集。

压缩感知图像MATLAB代码[IEEE计算机视觉和模式识别会议（CVPR），2016]（），第449-458页。项目页面：介绍：ReconNet是一种非迭代且极其快速的算法，可从压缩感测（CS）随机测量中重建图像。在中，我们展示了在各种测量速率下，相对于最新的迭代CS重建算法，重建结果（在PSNR和时间复杂度方面）均得到了显着改善。提供的代码有助于重现中介绍的某些结果。引文（BibTex）：如果您正在使用此代码，请引用以下论文。@InProceedings{Kulkarni_2016_CVPR，作者= {Kulkarni，Kuldeep和Lohit，Suhas和Turaga，Pavan和Kerviche，Ronan和Ashok，Amit}，title = {ReconNet：Non-Iterative Reconstruction of Images From Compressively Sensed Measurements}，booktitle = {The IEEE Conference o

这是我们在CVPR18中提出的MKCFup方法的实现，用C++中的DSST代替了fDSST以提升速度。我们在一台装有Intel Core i7-7700 3.60GHz CPU和8GB RAM的PC上运行了该实现。在OTB2013数据集的Release-x64模式下，平均帧率达到175，结果保存在./res路径下。使用OpenMP支持确保在项目中添加了必要的文件，并在发布模式下运行您的项目。

这个存储库包含FastAP度量学习算法在CVPR 2019年会上的Matlab实现，适用于ResNet-18和ResNet-50模型。数据集包括斯坦福在线产品和店内衣服，以及北大车辆数据集。我们提供经过训练的模型和实验记录，以支持结果的复现。

在Python中实现了2016年CVPR论文中Matlab的椭球面（SfMO）结构代码，用于从多个视图中的2D对象检测中提取对象运动。SfMO方法利用仿射相机矩阵进行3D重建，输出一组3D椭圆体。这个Python版本的回购项目基本无依赖性，适用于简单瓶子序列上的对象检测、跟踪和SfMO过程。对真实数据进行跟踪和可视化需要pip安装必要的依赖。生成合成照相机和椭球模型，以及相应的椭圆投影。要运行SfMO语法数据，请使用提供的Python脚本。

这篇论文介绍了一种新的深度度量学习方法，称为排行榜损失，改进在SOP数据集上的算法收敛性。作者团队从技术角度出发，探索了如何通过排行榜损失来提升深度度量学习的性能。他们计划将其工作扩展到TPAMI提交，并期待未来的更新。如有学术使用意向，请通过电子邮件联系获取最新代码。引用：InProceedings{Wang_2019_CVPR, author = {Wang, Xinshao and Hua, Yang and Kodirov, Elyor and Hu, Guosheng and Garnier, Romain and Robertson, Neil M.}, title = {Ranked List Loss for Deep Metric Learning}, booktitle = {The IEEE Conference on Computer Vision an

介绍了深度跨模式散列算法（DCMH）的Matlab实现，这是CVPR-2017论文“DeepCross-ModalHashing”的源代码。该包含作者蒋庆元和李武俊的联系方式：qyjiang24#gmail.com或liwujun#nju.edu.cn。建议使用Matlab版本运行DCMH算法。如需IAPR TC12数据集和NUS-WIDE数据集，请联系作者。

这篇论文介绍了一种具有渐进式域适应的弱监督对象定位方法，相关的Matlab代码已经准备就绪。论文题为“Weakly Supervised Object Localization with Progressive Domain Adaptation”，发表在2016年IEEE计算机视觉与模式识别会议（CVPR）上。如果您需要使用我们的代码和预训练模型，请引用以下信息：@inproceedings{Huang-CVPR-2016, author = {Dong, Li and Huang, Jia-Bin and Li, Yali and Wang, Shengjin and Yang, Ming-Hsuan}, title = {Weakly Supervised Object Localization with Progressive Domain Adaptation}, booktitle = {Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016}