这份干货来自于今天要给大家推荐的一个深度学习与计算机视觉领域知名公众号：「极市平台」。从2016年创立至今，极市平台深耕于DL与CV领域，输出300+篇高质量原创文章，并积累了近10万名海内外专业算法开发者。

极市平台公众号坚持每日更新，这里有DL&CV领域：

• 最前沿的技术速递

• 最全面的技术资源

• 最硬核的技术直播

• 最专业的算法岗内推
  

• 收益丰厚的项目实战

• 国际认可的算法竞赛

今天，我们不谈具体技术内容，而是整理了一份极市平台成立至今最硬核的技术干货资源合集。

极市平台于2017年开始举办技术直播，迄今为止已邀请超过90位技术大咖嘉宾，并完成了71期线上直播分享，深入讲解了：

神经网络、目标检测、图像分割、目标跟踪、人脸、人体姿态估计、行人重识别、行为识别与检测、人流密度分析、工业检测、深度估计、自动驾驶、优化算法、迁移学习、图像分类等DL和CV领域重要研究方向和知识点。

01

02

03

左右滑动查看更多图片

这次，我们将所有技术直播视频和PPT进行了整合。

获取方式

1.扫描下方二维码

2.后台回复「1206」即可下载

以下是所有极市技术直播的具体清单：

1.  神经网络
1.1.  张航：ResNeSt，拆分注意力网络
1.1.1.-----简要介绍CNN 基础网络的发展历程
1.1.2.-----近期神经网络结构搜索的发展，以及与下游应用的脱节
1.1.3.-----拆分注意力：注意力机制与多通道网络的融合
1.1.4.-----ImageNet上的分类表现，以及迁移学习的效果
1.1.5.-----总结与未来工作展望
1.2.  龙鹏：卷积神经网络结构核心设计思想与实践
1.2.1.-----主流的卷积模型网络设计方法分类
1.2.2.-----精度更高的卷积模型结构设计技术
1.2.3.-----效率更高的卷积模型结构设计技术
1.2.4.-----一些工业界的实践技巧
2.  目标检测
2.1.  朱本金：AutoAssign，目标检测中完全动态的正负样本标签分配方法
2.1.1.-----Label Assignment背景及现状
2.1.2.-----AutoAssign原理解析
2.1.3.-----AutoAssign实验结果及分析
2.1.4.-----总结及展望
2.2.  诸宸辰：基于Anchor-free特征选择模块的单阶目标检测（CVPR2019）
2.2.1.-----目标检测的背景知识
2.2.2.-----存在的缺陷和设计动机
2.2.3.-----我们的方法
2.2.4.-----实验分析与结果展示
2.3.  张钊宁：算力限制下的目标检测实战及思考
2.3.1.-----深度学习学术与工程中通用数据集与通用评价标准的对比
2.3.2.-----目标检测在算力限制场景下的问题特点及实际解决方案
2.3.3.-----目标检测实战中快速性能优化的实验设计问题
2.3.4.-----实战中多种不同任务间通理性问题的思考与讨论
3.  图像分割
3.1.  陈昊：BlendMask，高质高效的实例分割模型（CVPR2020 Oral）
3.1.1.-----实例分割问题的定义和现状简介
3.1.2.-----二阶段方案的特点与局限
3.1.3.-----设计动机与相关工作
3.1.4.-----我们的方法
3.1.5.-----实验分析
3.2.  谢恩泽：PolarMask，一阶段实例分割新思路（CVPR2020 Oral）
3.2.1.-----实例分割的问题定义
3.2.2.-----two stage实例分割: 简单回顾
3.2.3.-----one stage实例分割：基于极坐标的轮廓建模
3.2.4.-----Polar IouLoss和Polar CenterNess分析
3.2.5.-----可视化展示和分析
3.3.  李夏：语义分割中的自注意力机制和低秩重建
3.3.1.-----语义分割任务介绍
3.3.2.-----Non-local Nets 及相关工作
3.3.3.-----A^2-Net 及相关工作
3.3.4.-----EM Attention Nets
3.3.5.-----语义分割
3.4.  王鑫龙：联合分割点云中的实例和语义（CVPR2019）
3.4.1.-----点云分割的潜在应用场景
3.4.2.-----点云处理的简单入门知识
3.4.3.-----点云中的实例和语义分割任务和方法
3.4.4.-----联合分割点云中的实例和语义
4.  目标跟踪
4.1.  张志鹏：Ocean/Ocean+：实时目标跟踪分割算法，小代价，大增益
4.1.1.-----Which paper should a fresher read?
4.1.2.-----Which Github-repo should you fork?
4.1.3.-----Advances in Siamese Tracking
4.1.4.-----Our new paper: Ocean/Ocean+
4.1.5.-----Challenges and future
4.2.  张志鹏：基于siamese网络的单目标跟踪（CVPR2019 Oral）
4.2.1.-----单目标跟踪简介
4.2.2.-----Siamese目标跟踪背景
4.2.3.-----CVPR论文SiamDW (Oral)
4.2.4.-----训练siamese跟踪网络的经验
4.2.5.-----关于siamese网络复现困难的探讨
4.3.  朱政：基于孪生网络结构的SiamRPN系列目标跟踪算法
4.3.1.-----视觉目标跟踪算法的定义、挑战、数据集
4.3.2.-----High Performance Visual Tracking with Siamese Region Proposal Network
4.3.3.-----Distractor-aware Siamese Networks for Visual Object Tracking
4.3.4.-----VOT比赛介绍以及VOT-2018实时赛道冠军方案
4.3.5.-----CVPR-2019、ICCV-2019、arxiv上基于SiamRPN的系列跟踪算法
4.4.  王蒙蒙：基于计算机视觉的目标跟踪算法概览
4.4.1.-----经典算法和最新算法的讲解
4.4.2.-----现有跟踪算法的总结
4.4.3.-----剖析目标跟踪领域的发展现状
5.  人脸
5.1.  彭小江&王锴：非受控环境下的表情识别（TIP2020&CVPR2020）
5.1.1.-----情感计算及主要模型
5.1.2.-----人脸表情识别入门知识
5.1.3.-----大姿态和遮挡情况下的表情识别
5.1.4.-----表情识别中的不确定性
5.2.  邓健康：ArcFace构建高效人脸识别系统（CVPR2019）
5.2.1.-----人脸识别背景介绍（数据，网络，损失函数）
5.2.2.-----ArcFace 的介绍 （动机、方法、结果及应用）
5.2.3.-----RetinaFace + ArcFace 构建人脸识别系统 （高效检测配准、大规模人脸识别训练并行加速、FRVT结果分析）
5.2.4.-----Lightweight face recognition challenge/workshop （ICCV 2019）
5.3.  小美&张德兵：分布式人脸识别及工业运用经验
5.3.1.-----花式详解谜题《The Second Chance》思路
5.3.2.-----大类别分类任务简析及深度学习技术谜题背后思考
5.3.3.-----分布式人脸识别和ReID训练经验分享
5.4.  邬书哲：基于卷积神经网络的鲁棒人脸检测
5.4.1.-----基于渐进校准网络的旋转不变人脸检测
5.4.2.-----增强人脸检测鲁棒性的策略
6.  人体姿态估计
6.1.  俞刚：人体姿态估计算法及应用（COCO2017和COCO2018人体姿态估计冠军）
6.1.1.-----人体姿态估计算法回顾
6.1.2.-----现有人体姿态估计算法的问题
6.1.3.-----Cascade Pyramid Network
6.1.4.-----Multi-stage Pose Estimation
6.1.5.-----实际案例
6.2.  董峻廷：多视角下多人三维姿态估计（CVPR2019）
6.2.1.-----三维人体姿态问题介绍
6.2.2.-----Demo结果
6.2.3.-----过往方法回顾
6.2.4.-----整体pipeline介绍
6.2.5.-----多视角匹配算法介绍
6.3.  张锋：2D单人人体姿态估计及其应用
6.3.1.-----2D单人姿态估计面临的问题
6.3.2.-----2D单人姿态估计主流方法及应用介绍
6.3.3.-----2D单人姿态估计经验总结
7.  行人重识别
7.1.  郑哲东：从行人重识别到无人机定位
7.1.1.-----行人重识别的一些实践
7.1.2.-----⻋辆重识别 CVPR2020 智慧城市比赛冠军方案分享
7.1.3.-----无人机与重识别的机遇与挑战ACM Multimedia2020
7.2.  郑哲东：行人重识别的深度学习方法
7.2.1.-----行人重识别背景
7.2.2.-----行人重识别几个经典方案
7.2.3.-----进展与展望
8.  行为识别与检测
8.1.  高继扬：时序动作检测
8.1.1.-----Proposal-based methods
8.1.2.-----Frame(snippet)-based methods
8.1.3.-----How to combine?
8.1.4.-----Beyond the fixed list of actions
8.2.  孙书洋：光流导向特征在视频动作识别中的应用（CVPR2018）
8.2.1.-----OFF设计思路
8.2.2.-----OFF实现方式
8.2.3.-----实验结果
9.  人流密度分析
9.1.  徐晨丰：人群密度分析与计数（ICCV2019）
9.1.1.-----人群计数的应用场景
9.1.2.-----人群计数的简单入门及相关方法
9.1.3.-----对于密集区域的尺度系数学习模块
10.  工业检测
10.1.  马智恒：深度学习在工业缺陷检测中的应用
10.1.1.----工业缺陷检测与高级视觉任务下的目标检测、实例分割的异同
10.1.2.----检测算法在工业缺陷检测中的应用
10.1.3.----分割算法在工业缺陷检测中的应用
10.1.4.----弱监督学习在工业检测中的应用
10.1.5.----传统算法和深度学习算法的结合
11.  深度估计
11.1.  边佳旺：无监督且尺度一致的深度估计与视觉SLAM（NeurIPS 2019）
11.1.1.----单目无监督深度估计原理
11.1.2.----输出尺度不一致问题
11.1.3.----我们的解决方案
11.1.4.----用输出尺度一致的深度做SLAM
11.1.5.----三维重构Demo
12.  自动驾驶
12.1.  袁源：机器学习及深度学习在自动驾驶中的应用
12.1.1.----自动驾驶中的指示牌识别
12.1.2.----自动驾驶中的方向盘转动方向预测
12.2.  许华哲：基于视觉的深度学习的自动驾驶实现模型
12.2.1.----如何从Vision的角度通过深度学习实现自动驾驶
12.2.2.----怎么样在路况复杂的环境中实现车道跟随？
12.2.3.----怎么样泛化自动驾驶的场景？
12.2.4.----CVPR2017收录论文《End-to-end Learning of Driving Models from Large-scale VideoDatasets》中模型的优势点
13.  优化算法
13.1.  魏恺轩：免调试即插即用的近端优化算法（ICML 2020 杰出论文）
13.1.1.----背景知识（即插即用的近端优化算法、逆成像问题、图像重构/复原）
13.1.2.----存在的核心挑战/问题
13.1.3.----方法介绍
14.  迁移学习
14.1.  姚远：迁移学习之异构域适应简介
14.1.1.----什么是迁移学习？为什么研究迁移学习？如何研究迁移学习？
14.1.2.----什么是异构域适应？为什么研究异构域适应？如何研究异构域适应？
14.1.3.----异构域适应领域代表性算法的思想
14.2.  王晋东：迁移学习的领域自适应方法
14.2.1.----迁移学习以及迁移学习的必要性
14.2.2.----迁移学习研究领域的分类及经典迁移学习方法介绍
14.2.3.----领域自适应问题简介
14.2.4.----从零到一深入领域自适应方法及最新研究成果
15.  图像分类
15.1.  李骜：多任务学习及其在图像分类中的应用
15.1.1.----多任务学习模型简介
15.1.2.----类间协同多任务学习的非线性特征图像分类
15.1.3.----方法的总结与展望
16.  计算机视觉基础
16.1.  张宇涵：Circle Loss，从统一视角提升深度特征学习能力（CVPR2020 Oral）
16.1.1.----深度特征学习介绍
16.1.2.----统一的相似对优化视角
16.1.3.----CircleLoss的原理，实现和结果
16.2.  边佳旺：稳定的图像特征匹配以及快速的GMS方案
16.2.1.----超稳定特征匹配算法
16.2.2.----快速且稳定的GMS匹配策略（CVPR2017）
16.3.  郑书新：对信号处理中的损失信息建模（ECCV Oral）
16.3.1.----信号处理中的信息损失问题
16.3.2.----对损失信息进行建模
16.4.  闫霄龙：基于开源ImagePy工具的图像处理算法解析
16.4.1.----ImagePy 简介：功能概览
16.4.2.----算法体验：深度剖析分水岭算法
16.4.3.----算法测试：差分高斯滤波与局部阈值
16.4.4.----完成科研工作：计算泡孔材料的粒径分布
16.4.5.----二次开发：宏，工作流，插件
16.5.  何琨：深度学习GPU服务器搭建指南
16.5.1.----硬件平台系统的搭建
16.5.2.----GPU的性能特点
16.5.3.----当前已经成熟的解决方案
16.5.4.----软件系统的安装配置
16.5.5.----CUDA，CuDNN 以及NVIDIADeepLearning SDK的介绍

获取方式

1.扫描下方二维码

2.后台回复「1206」即可下载

更多干货

上述的技术直播只是极市平台丰富的技术干货资源的重要内容之一。在极市平台，其实你还能获得更多，比如：

• 1. 最前沿的AI技术速递

极市平台坚持每日更新，为AI领域的研究者们带来深度学习与计算机视觉领域的前沿报道与最新论文速递，迄今为止已经发布了300+篇原创文章。

• 2. 收益丰厚的极市项目实战

极市平台为大家（个人、团队、企业）提供产业界的项目开发合作机会，至今已经发布100+个算法项目需求。极市项目不仅能帮助大家实现算法产品化及获得算法收益，在项目交付后，除了获得项目开发费，也将有机会获得算法持续销售的收益分成，帮助大家实现技术价值变现。

• 3. 国际认可的极市算法竞赛

极市平台自2017年起举办AI算法竞赛与开发者榜单评选活动，不仅关注算法精度，还会评测算法性能，重视培养参赛者的工程化能力。平台提供丰厚奖励、免费算力、真实行业场景数据集以及算法在线训练开发系统。今年极市平台不仅是2020世界人工智能大赛和ACCV 2020国际细粒度网络图像识别竞赛官方指定赛事平台，还联合了英特尔（中国）一起成功主办了2020极市计算机视觉开发者榜单，该榜单由国内CV顶会PRCV2020担当学术支持。明年极市将有更多重磅AI算法赛事，敬请关注！

• 4. 专业高效的算法岗内推

除了项目实战和算法竞赛，极市平台还不会不断更新计算机视觉各名企的内推岗位，包含计算机视觉各大方向的校招岗、实习生岗、社招岗等内推信息。

• 5. 不断更新的线上会议&技术课程分享

例：VALSE 2020 线上研讨会

VALSE 2020大会共包含1个学生论坛，9个专题Workshop和11个重要主题年度进展回顾（APR），共计60位计算机视觉、模式识别与机器学习领域的优秀青年学者将依次登台，是一场满汉全席式的饕餮盛宴。

• 6. 干货满满的极市学者专访

极市学者专访以分享机器学习领域大牛的科研工作经验为主旨。极市学者专访已经成功进行四期，先后邀请了金连文教授、左旺孟教授、白翔教授和林宙辰教授，未来还将与更多的知名学者进行深度交流，以分享他们宝贵的科研经验、对计算机视觉的前沿洞察以及对计算机视觉未来发展动态观点，提供给大家借鉴学习。

• 7. …

关注极市平台，回复关键词「1206」

获取上述所有资源