AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。
CVPR 2021 论文推荐
PREDATOR: Registration of 3D Point Clouds with Low Overlap（PREDATOR：低重叠的3D点云的注册）
论文链接：https://www.aminer.cn/pub/5fc4b85d91e011abfa2fadd1/?conf=cvpr2021
推荐理由： 作者介绍了PREDATOR，一个深度关注重叠区域的配对点云注册模型。与之前的工作不同的是，该模型专门设计用来处理低重叠的点云对。其新颖之处在于设计了在两个点云的潜在编码之间进行早期信息交换的重叠注意块。这样一来，模型能够将潜伏表征解码成每个点的特征，从而以各自的另一个点云为条件来预测哪些点是突出且位于两个点云的重叠区域。该工作关注与匹配相关的点，大大提高了性能。PREDATOR将低重叠情况下的成功注册率提高了20%以上，还以89%的注册召回率为3DMatch基准创造了新的技术状态。
Dynamic Metric Learning: Towards a Scalable Metric Space to Accommodate Multiple Semantic Scales（动态度量学习：争取建立一个可扩展的度量空间，以适应多种语义尺度）
论文链接：https://www.aminer.cn/pub/6059ce9191e011ed950a5c85/?conf=cvpr2021
推荐理由： 本文从现实世界的计量工具到深度视觉识别，引入了动态范围这一新基本特性。在计量学中，动态范围是计量工具的基本素质，表示其适应各种尺度的灵活性。在视觉识别中，也存在多尺度问题，不同的视觉概念可能有不同的语义尺度。例如，"动物 "和 "植物 "的语义尺度大，而 "麋鹿 "的语义尺度小得多。在小的语义尺度下，两只不同的麋鹿可能看起来很不同。然而，在一个大的语义尺度下(动物和植物)，这两只麋鹿应该被测量为相似。作者认为上述灵活性对于深度度量学习也很重要，因为不同的视觉概念对应不同的语义尺度。该工作将动态范围引入到深度度量学习中，从而得到了一个新的计算机视觉任务，即动态度量学习。上述任务的目的是学习一个可扩展的度量空间，以适应多个语义尺度的视觉概念。作者用流行的深度度量学习方法对多个数据集进行了基准测试，发现动态度量学习非常具有挑战性。其主要困难在于不同尺度之间的冲突：小尺度下的判别能力通常会影响大尺度下的判别能力，反之亦然。同时，他们提出了跨尺度学习（Cross-Scale Learning，CSL）来缓解这种冲突。
在这里插入图片描述
Improved Image Matting via Real-time User Clicks and Uncertainty Estimation（通过实时用户点击和不确定性估计来改进图像消光工作）
论文链接：https://www.aminer.cn/pub/5fd9f14391e0111ad2b255bc/?conf=cvpr2021
推荐理由： 图像消光是计算机视觉和图形学中的一个基本的挑战性问题。现有的大部分消隐方法都是利用用户提供的trimap作为辅助输入来产生良好的alpha消隐。而获取高质量的trimap本身是困难的，因此限制了这些方法的应用。最近，出现了一些无trimap的方法，但其消光质量远远落后于基于trimap的方法。原因在于在某些情况下，没有trimap的引导，目标网络对哪个是前景目标是模糊的。事实上，选择前景是一个主观的程序，取决于用户的意图。为此，本文提出了一种改进的无trimap深度图像矩阵框架，只需要几次用户点击交互就可以消除模糊性。此外，作者引入了一个新的不确定性估计模块，可以预测哪些部分需要打磨以及后续的局部细化模块。根据计算预算，用户可以在不确定性指导下选择改进多少个局部模块。
在这里插入图片描述
AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/
#AMiner# #论文#