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
3.5.  田值：BoxInst，使用外接框标注的高性能实例分割
3.5.1.-----实例分割的价值和应用场景
3.5.2.-----基于条件卷积的实例分割(CondInst) 
3.5.3.-----回顾早先使用Box监督的分割工作
3.5.4.-----BoxInst
3.5.5.-----实验结果和insights
3.5.6.-----Demo展示
3.5.7.-----基于BoxInst未来可以探索的工作
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
12.3.  方浩：自动驾驶中的车道线检测
12.3.1.----车道线检测的问题背景与应用场景
12.3.2.----车道线检测的解决方案
12.3.3.----问题分析与论文介绍
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
16.6.  汤凯华：利用因果分析解决通用的长尾分布问题
16.6.1.----长尾分布问题简介
16.6.2.----相关工作
16.6.3.----关于长尾分布的因果分析
16.6.4.----提出的De-confound TDE算法
16.6.5.----实验结果和优点分析