Beschreibung
Das CVPR 2021 Open Access Repository dient als entscheidende Ressource für Forscher und Praktiker im Bereich Computer Vision. Es beherbergt die Open-Access-Versionen von Papern, die auf der IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) im Jahr 2021 vorgestellt wurden. Diese Versionen werden von der Computer Vision Foundation bereitgestellt und sind mit den akzeptierten Manuskripten identisch, mit der einzigen Ausnahme eines Wasserzeichens. Das Repository zielt darauf ab, die zeitnahe Verbreitung von Spitzenforschung und technischen Arbeiten innerhalb der Computer-Vision-Community zu gewährleisten.
Alle Materialien in diesem Repository sind urheberrechtlich geschützt, wobei die Rechte bei den Autoren oder anderen Urheberrechtsinhabern verbleiben. Die Nutzer werden gebeten, die von den Urheberrechten jedes Autors festgelegten Bedingungen und Einschränkungen bei der Nutzung dieser Informationen zu beachten. Das Repository wird von Organisationen betrieben und gesponsert, die die Weiterentwicklung der Computer-Vision-Forschung unterstützen.
Ein bemerkenswertes Paper ist "Dense Contrastive Learning for Self-Supervised Visual Pre-Training" von Xinlong Wang et al. Diese Forschung adressiert die Einschränkungen bestehender selbstüberwachter Lernmethoden, die oft für die Bildklassifizierung optimiert sind und für dichte Vorhersageaufgaben sub-optimal sein können. Die Autoren stellen einen neuartigen dichten kontrastiven Lernansatz vor, der auf Pixelebene arbeitet und die Korrespondenz zwischen lokalen Merkmalen direkt berücksichtigt. Diese Methode optimiert einen paarweisen kontrastiven Verlust zwischen verschiedenen Ansichten von Eingabebildern. Die vorgestellte dichte kontrastive Lernmethode verursacht nur einen vernachlässigbaren Rechenaufwand und zeigt durchweg überlegene Leistungen, wenn sie auf nachgelagerte dichte Vorhersageaufgaben wie Objekterkennung, semantische Segmentierung und Instanzsegmentierung übertragen wird. Sie übertrifft signifikant State-of-the-Art-Methoden und erzielt erhebliche Verbesserungen bei der Genauigkeit und dem mittleren Intersection over Union (mIoU) über verschiedene Benchmarks wie PASCAL VOC, COCO und Cityscapes hinweg. Code und Modelle für diese Forschung werden öffentlich zugänglich gemacht.
Das Repository erleichtert den Zugang zu den vollständigen Proceedings, die auch auf IEEE Xplore verfügbar sind. Diese Open-Access-Initiative unterstreicht das Engagement für die Förderung der Computer-Vision-Forschung, indem wertvolle Beiträge einem globalen Publikum leicht zugänglich gemacht werden.
CVPR 2021 Open Access Repository im Überblick
Open-Access-Versionen von CVPR 2021 Papers
Identisch mit akzeptierten Versionen (mit Wasserzeichen)
Bereitgestellt von der Computer Vision Foundation
Gewährleistet zeitnahe Verbreitung wissenschaftlicher Arbeiten
Urheberrecht verbleibt bei Autoren/Inhabern
Enthält Abstracts und Autoreninformationen für vorgestellte Paper
Bietet Links zu verwandten Materialien (PDF, Ergänzungen, arXiv, Bibtex)
Code und Modelle für vorgestellte Forschung verfügbar
Ermöglicht den Zugang zu vollständigen Proceedings auf IEEE Xplore
Erste Schritte mit CVPR 2021 Open Access Repository
Repository aufrufen: Navigieren Sie zur Website des CVPR 2021 Open Access Repository.
Paper durchsuchen: Erkunden Sie die Sammlung veröffentlichter Computer-Vision-Forschungsarbeiten.
Paper herunterladen: Wählen Sie ein Paper aus, um seine Open-Access-Version anzuzeigen und die PDF-Datei herunterzuladen.
Details prüfen: Greifen Sie auf Abstracts, Autoreninformationen und verwandte Materialien wie ergänzende Dokumente zu.
Forschung nutzen: Wenden Sie Erkenntnisse und Code aus den Papern auf Ihre eigenen Computer-Vision-Projekte an.
Urheberrecht beachten: Beachten Sie die Urheberrechtsbedingungen jedes Autors bei der Nutzung des Materials.
CVPR 2021 Open Access Repository's Anwendungsfälle
- Zugriff auf Forschungsarbeiten
- Akademisches Studium
- Industrielle Anwendung
- Selbstüberwachtes Lernen
- Dichte Vorhersageaufgaben
- Zeitnahe Verbreitung
