本文是一篇来自新加坡国立大学与依图的人体姿态估计论文，已被ICCV 2019接收。

多人姿态估计一般分为自顶向下和自底向上两种策略，而无论使用哪种策略，这些方法大多使用一种两阶段的方式。自顶向下方法中，第一阶段进行对人体的检测，第二阶段对各个人体产生“姿态”进行建模（一般为人体各个关键点位置）；自底向上方法中，第一阶段先对图像中所有人体关键点进行检测，第二阶段将关键点进行归类从而合成不同的人体。两阶段的多人姿态估计方法的速度是一个很大的短板，而本文提出的单阶段多人姿态机（SPM）则简化了两阶段方法的流程并极大地提升了速度。

作者提出了“结构化姿态表征”（SPR）的人体姿态表示方式，将人体实例与人体关键点位置的表示统一了起来，使用一个CNN将每个人体中心的位置及该人体关键点位置相对于中心的偏移预测出来。

SPM还可用于3D人体姿态估计。在基于MPII、PASCAL-Person-Part、MSCOCO和CMU Panoptic等数据集上，SPM都达到了极快的速度和出色的准确度。

个人感觉，SPM的思路与今年四月份的CenterNet: Objects as Points如出一辙。二者都是运用了一种“在目标检测特征图的每个目标中心点处预测其他信息”的思路，也都是很优秀的文章。

这是一篇大连理工、鹏城实验室、香港城市大学合作的论文，已被ICCV 2019接收。

镜子的反光一直是计算机视觉中一个令人头疼的问题，而已有的算法尚未考虑它的影响，也因此经常被镜子中反光的图像迷惑——毕竟镜子反射的图像往往和它的周边环境又很接近，要让神经网络区分二者实在是困难。

本文则是有史以来第一篇基于计算的方式来处理镜子语义分割问题的工作。作者首先构建了一个大规模的、涵盖日常生活各种场景、包含了四千多幅图像的镜子分割数据库——MSD，并提出了一个用于镜子分割的网络——MirrorNet。MirrorNet使用了上下文对比特征提取（CCFE）模块，用于学习镜子里外上下文的对比，从而分割出各种尺寸的镜子。实验表明，使用了CCFE模块的MirrorNet能够有效地学习这种上下文对比并在MSD数据集上有最佳的分割效果。

项目页面：https://mhaiyang.github.io/ICCV2019_MirrorNet/index.html

MobileNetV3是继Google MobileNetV1和MobileNetV2后的新作，主要使用了网络搜索算法(用NAS通过优化每个网络块来搜索全局网络结构，用NetAdapt算法搜素每个层的过滤器数量)，同时在MobileNetV2的网络结构基础上进行改进，并提出了新的SE模块和新的H-Swish激活函数。在当前所有移动端网络中，速度和精度均为state of art。