如何评价 CVPR2022 的审稿结果和录取情况？ 第1页

很高兴我们实验室(NUS HPC-AI Lab)在CVPR2022会议中投的5篇论文全部被接收，我借此介绍一下我们的论文。感兴趣的同学请随时提问或交流 :-)

1. CAFE: Learning to Condense Dataset by Aligning Features

核心动机：为了使经数据集压缩算法后的数据能在多种网络结构了上表现出更好的泛化性，本文提出了基于特征对齐的新型数据集压缩算法——CAFE. CAFÉ在多个数据集上实现了最佳的性能，并在Cross-Architecture上性能较之前方法有明显提升。

论文地址：https://arxiv.org/pdf/2203.01531.pdf

代码地址：https://github.com/kaiwang960112/CAFE

Pipeline图：

##################################################################

2. An Efficient Training Approach for Very Large Scale Face Recognition

核心动机：针对超大ID（千万级）人脸分类问题中分类器的过大导致的存储和通讯上的系列问题，本文提出Faster Face Classification (F2C)实现了更低存储，更快通讯，并且性能几乎无损失的超大规模人脸识别系统。

论文地址：https://arxiv.org/abs/2105.10375

代码地址：https://github.com/tiandunx/FFC

Pipeline图：

##################################################################

3. Crafting Better Contrastive Views for Siamese Representation Learning

核心动机: 当前主流的对比学习方法均采用双网络(Siamese Network)的结构，这带来一个重要且不可避免的问题，即如果选取作为双网络输入的样本对。之前方法大多采用RandomCrop这一监督学习中的传统裁剪策略。本文则为对比学习量身定制了新的裁剪策略ContrastiveCrop，旨在确保正样本对正确的前提下，加大样本之间的差异性，从而通过最小化对比损失学习到更泛化的特征。

论文地址：https://arxiv.org/abs/2202.03278

代码: https://github.com/xyupeng/ContrastiveCrop

动机图：

##################################################################

4. Towards Efficient and Scalable Sharpness-Aware Minimization

核心动机：最近，基于Sharpness-Aware Minimization (SAM)的优化器，在大模型的训练中表现出了显著的性能提升。然而，SAM的更新规则在每一步都需要两个顺序的(不可并行的)梯度计算，这可能会使计算开销加倍，。在本文中，我们提出了一种新的算法LookSAM，只需要周期性地计算内部梯度上升，以显著降低SAM的额外训练成本。最终，LookSAM可以将ViT的预训练Batch Size 扩展到64k，并在0.7个小时内完成，同时保持具有竞争性的准确率。

论文地址: https://arxiv.org/abs/2203.02714

##################################################################

5. Modeling Motion with Multi-Modal Features for Text-Based Video Segmentation

核心动机: 目前基于语言的视频分割方法通常忽略了显示地利用视频中的运动信息。本文提出的方法协同利用了外观，语言和运动三种模态的信息，实现了对目标物体的精确分割。

论文地址：https://arxiv.org/abs/2204.02547

代码：https://github.com/wangbo-zhao/2022CVPR-MMMMTBVS