MLNLP 
( 
机器学习算法与自然语言处理 
)社区是国内外知名自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。

社区的愿景 是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流，特别是初学者同学们的进步。

转载自 | 极市平台
ECCV 2022 论文分方向整理目前在极市社区持续更新中，已累计更新了54篇，项目地址：https://github.com/extreme-assistant/ECCV2022-Paper-Code-Interpretation
以下是本周更新的 ECCV 2022 论文，包含检测，分割，图像处理，视频理解，神经网络结构设计，无监督学习，迁移学习等方向。
- 检测  

- 分割  

- 图像处理  

- 视频处理  

- 图像、视频检索与理解    

- 估计

- 目标跟踪  

- 文本检测与识别    

- GAN/生成式/对抗式  

- 神经网络结构设计    

- 数据处理   

- 模型训练/泛化    

- 模型压缩  

- 模型评估  

- 半监督学习/自监督学习  

- 多模态/跨模态学习  

- 小样本学习   

- 强化学习
1
『检测』

2D目标检测

[1] Point-to-Box Network for Accurate Object Detection via Single Point Supervision (通过单点监督实现精确目标检测的点对盒网络)

paper：https://arxiv.org/abs/2207.06827

code：https://github.com/ucas-vg/p2bnet
[2] You Should Look at All Objects (您应该查看所有物体)

paper：https://arxiv.org/abs/2207.07889

code：https://github.com/charlespikachu/yslao
[3] Adversarially-Aware Robust Object Detector (对抗性感知鲁棒目标检测器)

paper：https://arxiv.org/abs/2207.06202

code：https://github.com/7eu7d7/robustdet

3D目标检测

[1] Rethinking IoU-based Optimization for Single-stage 3D Object Detection (重新思考基于 IoU 的单阶段 3D 对象检测优化)

paper：https://arxiv.org/abs/2207.09332

人物交互检测

[1] Towards Hard-Positive Query Mining for DETR-based Human-Object Interaction Detection (面向基于 DETR 的人机交互检测的硬性查询挖掘)

paper：https://arxiv.org/abs/2207.05293  

code：https://github.com/muchhair/hqm

图像异常检测

[1] DICE: Leveraging Sparsification for Out-of-Distribution Detection (DICE：利用稀疏化进行分布外检测)

paper：https://arxiv.org/abs/2111.09805

code：https://github.com/deeplearning-wisc/dice
2
『分割』

实例分割

[1] Box-supervised Instance Segmentation with Level Set Evolution (具有水平集进化的框监督实例分割)

paper：https://arxiv.org/abs/2207.09055
[2] OSFormer: One-Stage Camouflaged Instance Segmentation with Transformers (OSFormer：使用 Transformers 进行单阶段伪装实例分割)

paper：https://arxiv.org/abs/2207.02255  

code：https://github.com/pjlallen/osformer

语义分割

[1] 2DPASS: 2D Priors Assisted Semantic Segmentation on LiDAR Point Clouds (2DPASS：激光雷达点云上的二维先验辅助语义分割)

paper：https://arxiv.org/abs/2207.04397  

code：https://github.com/yanx27/2dpass

视频目标分割

[1] Learning Quality-aware Dynamic Memory for Video Object Segmentation (视频对象分割的学习质量感知动态内存)

paper：https://arxiv.org/abs/2207.07922

code：https://github.com/workforai/qdmn
3
『图像处理』

超分辨率

[1] Dynamic Dual Trainable Bounds for Ultra-low Precision Super-Resolution Networks (超低精度超分辨率网络的动态双可训练边界)

paper：https://arxiv.org/abs/2203.03844  

code：https://github.com/zysxmu/ddtb

图像去噪

[1] Deep Semantic Statistics Matching (D2SM) Denoising Network (深度语义统计匹配（D2SM）去噪网络)

paper：https://arxiv.org/abs/2207.09302

图像复原/图像增强/图像重建

[1] Semantic-Sparse Colorization Network for Deep Exemplar-based Colorization (用于基于深度示例的着色的语义稀疏着色网络)

paper：https://arxiv.org/abs/2112.01335
[2] Geometry-aware Single-image Full-body Human Relighting (几何感知单图像全身人体重新照明)

paper：https://arxiv.org/abs/2207.04750
[3] Multi-Modal Masked Pre-Training for Monocular Panoramic Depth Completion (单目全景深度补全的多模态蒙面预训练)

paper：https://arxiv.org/abs/2203.09855
[4] PanoFormer: Panorama Transformer for Indoor 360 Depth Estimation (PanoFormer：用于室内 360 深度估计的全景变压器)

paper：https://arxiv.org/abs/2203.09283
[5] SESS: Saliency Enhancing with Scaling and Sliding (SESS：通过缩放和滑动增强显着性)

paper：https://arxiv.org/abs/2207.01769
[6] RigNet: Repetitive Image Guided Network for Depth Completion (RigNet：用于深度补全的重复图像引导网络)

paper：https://arxiv.org/abs/2107.13802

图像外推(Image Outpainting)

[1] Outpainting by Queries (通过查询进行外包)

paper：https://arxiv.org/abs/2207.05312  

code：https://github.com/kaiseem/queryotr

风格迁移(Style Transfer)

[1] CCPL: Contrastive Coherence Preserving Loss for Versatile Style Transfer (CCPL：通用风格迁移的对比相干性保留损失)

paper：https://arxiv.org/abs/2207.04808  

code：https://github.com/JarrentWu1031/CCPL
4
『视频处理』
[1] Improving the Perceptual Quality of 2D Animation Interpolation (提高二维动画插值的感知质量)

paper：https://arxiv.org/abs/2111.12792

code：https://github.com/shuhongchen/eisai-anime-interpolator
[2] Real-Time Intermediate Flow Estimation for Video Frame Interpolation (视频帧插值的实时中间流估计)

paper：https://arxiv.org/abs/2011.06294  

code：https://github.com/MegEngine/arXiv2020-RIFE
5
『图像、视频检索与理解』

动作识别

[1] ReAct: Temporal Action Detection with Relational Queries (ReAct：使用关系查询的时间动作检测)

paper：https://arxiv.org/abs/2207.07097

code：https://github.com/sssste/react
[2] Hunting Group Clues with Transformers for Social Group Activity Recognition (用Transformers寻找群体线索用于社会群体活动识别)

paper：https://arxiv.org/abs/2207.05254

视频理解

[1] GraphVid: It Only Takes a Few Nodes to Understand a Video (GraphVid：只需几个节点即可理解视频)

paper：https://arxiv.org/abs/2207.01375
[2] Deep Hash Distillation for Image Retrieval (用于图像检索的深度哈希蒸馏)

paper：https://arxiv.org/abs/2112.08816

code：https://github.com/youngkyunjang/deep-hash-distillation

视频检索(Video Retrieval)

[1] TS2-Net: Token Shift and Selection Transformer for Text-Video Retrieval (TS2-Net：用于文本视频检索的令牌移位和选择转换器)

paper：https://arxiv.org/abs/2207.07852

code：https://github.com/yuqi657/ts2_net
[2] Lightweight Attentional Feature Fusion: A New Baseline for Text-to-Video Retrieval (轻量级注意力特征融合：文本到视频检索的新基线)

paper：https://arxiv.org/abs/2112.01832
6
『估计』

位姿估计

[1] Category-Level 6D Object Pose and Size Estimation using Self-Supervised Deep Prior Deformation Networks (使用自监督深度先验变形网络的类别级 6D 对象姿势和大小估计)

paper：https://arxiv.org/abs/2207.05444  

code：https://github.com/jiehonglin/self-dpdn

深度估计

[1] Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches (使用最优对抗补丁对单目深度估计进行物理攻击)

paper：https://arxiv.org/abs/2207.04718
7
『目标跟踪』
[1] Towards Grand Unification of Object Tracking (迈向目标跟踪的大统一)

paper：https://arxiv.org/abs/2207.07078

code：https://github.com/masterbin-iiau/unicorn
8
『文本检测与识别』
[1] Dynamic Low-Resolution Distillation for Cost-Efficient End-to-End Text Spotting (用于经济高效的端到端文本识别的动态低分辨率蒸馏)

paper：https://arxiv.org/abs/2207.06694

code：https://github.com/hikopensource/davar-lab-ocr
9
『GAN/生成式/对抗式』
[1] Eliminating Gradient Conflict in Reference-based Line-Art Colorization (消除基于参考的艺术线条着色中的梯度冲突)

paper：https://arxiv.org/abs/2207.06095

code：https://github.com/kunkun0w0/sga
[2] WaveGAN: Frequency-aware GAN for High-Fidelity Few-shot Image Generation (WaveGAN：用于高保真少镜头图像生成的频率感知 GAN)

paper：https://arxiv.org/abs/2207.07288

code：https://github.com/kobeshegu/eccv2022_wavegan
[3] FakeCLR: Exploring Contrastive Learning for Solving Latent Discontinuity in Data-Efficient GANs (FakeCLR：探索对比学习以解决数据高效 GAN 中的潜在不连续性)

paper：https://arxiv.org/abs/2207.08630

code：https://github.com/iceli1007/fakeclr
[4] UniCR: Universally Approximated Certified Robustness via Randomized Smoothing (UniCR：通过随机平滑获得普遍近似的认证鲁棒性)

paper：https://arxiv.org/abs/2207.02152
10
『神经网络结构设计』

神经网络架构搜索(NAS)

[1] ScaleNet: Searching for the Model to Scale (ScaleNet：搜索要扩展的模型)

paper：https://arxiv.org/abs/2207.07267

code：https://github.com/luminolx/scalenet
[2] Ensemble Knowledge Guided Sub-network Search and Fine-tuning for Filter Pruning (集成知识引导的子网络搜索和过滤器修剪微调)

paper：https://arxiv.org/abs/2203.02651  

code：https://github.com/sseung0703/ekg
[3] EAGAN: Efficient Two-stage Evolutionary Architecture Search for GANs (EAGAN：GAN 的高效两阶段进化架构搜索)

paper：https://arxiv.org/abs/2111.15097  

code：https://github.com/marsggbo/EAGAN
11
『数据处理』

归一化

[1] Fine-grained Data Distribution Alignment for Post-Training Quantization (训练后量化的细粒度数据分布对齐)

paper：https://arxiv.org/abs/2109.04186  

code：https://github.com/zysxmu/fdda
12
『模型训练/泛化』

噪声标签

[1] Learning with Noisy Labels by Efficient Transition Matrix Estimation to Combat Label Miscorrection (通过有效的转移矩阵估计学习噪声标签以对抗标签错误校正)

paper：https://arxiv.org/abs/2111.14932
13
『模型压缩』

知识蒸馏

[1] Knowledge Condensation Distillation (知识浓缩蒸馏)

paper：https://arxiv.org/abs/2207.05409  

code：https://github.com/dzy3/kcd)
14
『模型评估』
[1] Hierarchical Latent Structure for Multi-Modal Vehicle Trajectory Forecasting (多模式车辆轨迹预测的分层潜在结构)

paper：https://arxiv.org/abs/2207.04624  

code：https://github.com/d1024choi/hlstrajforecast
15
『半监督/无监督/自监督学习』
[1] FedX: Unsupervised Federated Learning with Cross Knowledge Distillation (FedX：具有交叉知识蒸馏的无监督联合学习)

paper：https://arxiv.org/abs/2207.09158
[2] Synergistic Self-supervised and Quantization Learning (协同自监督和量化学习)

paper：https://arxiv.org/abs/2207.05432  

code：https://github.com/megvii-research/ssql-eccv2022)
[3] Contrastive Deep Supervision (对比深度监督)

paper：https://arxiv.org/abs/2207.05306  

code：https://github.com/archiplab-linfengzhang/contrastive-deep-supervision
[4] Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection (稠密教师：用于半监督目标检测的稠密伪标签)

paper：https://arxiv.org/abs/2207.02541
[5] Image Coding for Machines with Omnipotent Feature Learning (具有全能特征学习的机器的图像编码)

paper：https://arxiv.org/abs/2207.01932
16
『多模态学习/跨模态』

视觉-语言

[1] Contrastive Vision-Language Pre-training with Limited Resources (资源有限的对比视觉语言预训练)

paper：https://arxiv.org/abs/2112.09331

code：https://github.com/zerovl/zerovl

跨模态

[1] Cross-modal Prototype Driven Network for Radiology Report Generation (用于放射学报告生成的跨模式原型驱动网络)

paper：https://arxiv.org/abs/  

code：https://github.com/markin-wang/xpronet
17
『小样本学习』
[1] Learning Instance and Task-Aware Dynamic Kernels for Few Shot Learning (用于少数镜头学习的学习实例和任务感知动态内核)

paper：https://arxiv.org/abs/2112.03494
18
『迁移学习/自适应』
[1] Factorizing Knowledge in Neural Networks (在神经网络中分解知识)

paper：https://arxiv.org/abs/2207.03337  

code：https://github.com/adamdad/knowledgefactor
[2] CycDA: Unsupervised Cycle Domain Adaptation from Image to Video (CycDA：从图像到视频的无监督循环域自适应)

paper：https://arxiv.org/abs/2203.16244
19
『什么是对比学习？』
[1] Target-absent Human Attention (目标缺失——人类注意力缺失)

paper：https://arxiv.org/abs/2207.01166  

code：https://github.com/neouyghur/sess
技术交流群邀请函
△长按添加小助手
扫描二维码添加小助手微信
请备注：姓名-学校/公司-研究方向
（如：小张-哈工大-对话系统）
即可申请加入自然语言处理/Pytorch等技术交流群

关于我们

MLNLP社区  ( 机器学习算法与自然语言处理 ) 是由国内外自然语言处理学者联合构建的民间学术社区，目前已经发展为国内外知名自然语言处理社区，旗下包括  万人顶会交流群、AI臻选汇、AI英才汇  以及  AI学术汇  等知名品牌，旨在促进机器学习，自然语言处理学术界、产业界和广大爱好者之间的进步。
社区可以为相关从业者的深造、就业及研究等方面提供开放交流平台。欢迎大家关注和加入我们。
继续阅读
阅读原文