CVPR 2016 有什么值得关注的亮点？

更新2
CNN遍地开花，传统方法很冷清
CNN RNN结合的文章越来多，但如何联合训练仍然有待进一步解决
有人在致力于挖新坑，老坑越来越难填
Face2face很酷炫
创业公司很多，到处是华人身影
拉斯维加斯很适合出来玩
伙食太差，吃不饱


在CVPR会场更新
ResNet获得了best paper.

这个题目被邀请真是受宠若惊。我关注的方向是2D图像检测和识别，其实这个方向更新比较快，很多文章在早就在Arxiv上挂出来了。说亮点的话还是等开完会吧。
说几个感觉比较好的工作（排名不分前后），随时更新。。。

1. Deep Residual Learning for Image Recognition
这是kaiming组那篇影响力很大的文章，不用说了

2. You Only Look Once: Unified, Real-Time Object Detection
YOLO用纯CNN来做检测，可以达到实时的效果，虽然今年SSD的效果做的好很多，但YOLO确实起到了先驱的作用。另，一作貌似是一个传奇人物。

3. Training Region-Based Object Detectors With Online Hard Example Mining
这个工作比较新，他提供了在F-RCNN的框架下，在训练过程中如何对样本进行选择的一种解决方案。而且确实work。

4. Accurate Image Super-Resolution Using Very Deep Convolutional Networks
这是做超分辨率重建的一篇文章，主要的创新点在于在网络的最后用原图来辅助重建，有点残差网的意思，当然效果也很好。

5. Inside-Outside Net: Detecting Objects in Context With Skip Pooling and Recurrent Neural Networks
在F-RCNN的框架下如何对特征进行增强，文章主要考虑了multi-layer fusion和context信息。

6. HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
通过对CNN的多层特征进行融合提高定位准确性，利用类似于Faster-RCNN的方式进行目标检测

7. Exploit All the Layers: Fast and Accurate CNN Object Detector With Scale Dependent Pooling and Cascaded Rejection Classifiers. 
通过在CNN的多层建立级联分类器来抑制负样本（在目标检测中对负样本进行合理抑制起到了关键作用）