近几年ICCV，CVPR,和ECCV论文列表[转载]

原文链接：http://www.cnblogs.com/cutepig/archive/2007/08/07/846945.html

http://www.informatik.uni-trier.de/~ley/db/conf/iccv/index.html
http://www.informatik.uni-trier.de/~ley/db/conf/cvpr/index.html
http://www.informatik.uni-trier.de/~ley/db/conf/eccv/index.html
总目录
http://www.informatik.uni-trier.de/~ley/db/
/*************************************************************************************************/
Most cited ML papers in citeseer（before 2002)
http://citeseer.ist.psu.edu/MachineLearning/

这个页面列出根据citeseer 统计数据，被引用最多的机器学习论文，浏览了一下，内容都很老，都是2000年以前的，毕竟啊，好像那个统计是02年做的，新论文肯定引用少了。

浏览的时候，注意力放在下面几个问题上：

1，什么题目，做的什么工作
2，什么人做的
3，发表在什么地方

为什么这些工作经过十多年的披沙拣金，留下来了，他们有什么特点。

没有时间仔细统计了，可能写个程序能得到更精确的结果吧，还是说印象吧：

1， 做的什么题目？
发现以下几类文章容易“青史留名”，被时间证明是有价值的。
a, 研究热点的大的进展，例如关联规则挖掘的(引用最多的两篇就是）,这是当时（90年代初）DM的热点吧，IBM Research的几篇文章解决了scalable的问题，不过现在已经过时了。还例如特征选择，不过现在基本上没有人研究了。比较近的例子是kanade那篇用神经网络做人脸识别的，因为这个方法成为一个划时代的工作，类似还有cascade classifier(boosting)做人脸的，几乎每个做人脸识别的都要提到。

b, 某经典方法的原始文献，例如bagging，adaboost的原始文献，以及随后几年陆续出现的两篇理论解释adaboost有效性的文章，另一个例子是正则化网络。但是SVM的原始文献（colt92那篇）没有进入，呵呵，因为christoph burges 1998写的那篇 tutorial of svm for pattern recognition太好了，没有人引用原始文献了。

c, 热门方法的经典tutorial， 包括类似的introduction to …., a survey on…，但是有个前提：这种方法一定要热门，你写的一定要深入浅出。 例如刚才说的tutorial of svm on pr. 以及jordan写的introduction to variantional methods in graphical model. 还有包括强化学习的综述。。。

d, 类似于tutorial或者survey，那种进行comparative study的文章也容易成为经典，这种文章不一定提出新的方法，但是首次通过大量的实验对一系列相关方法进行了评测，为实践中人们选择方法提供了很好的指导。如：A Comparison of Two Learning Algorithms for Text Categorization ，An Experimental Comparison of Three Methods for Constructing, An Experimental and Theoretical Comparison of Model Selection Methods，

e, 某热门方法在某个领域首次应用，但是不是每篇这种文章都能经典的，得有两个条件：1，这种方法刚出现，但是非常有潜力日后一统天下（几乎吧），比如SVM，2，必须是第一次成功展示某方法能力的，如最早用SVM做文本分类的那篇，就是这样，因为后面SVM的文章几乎都会提到SVM not only has solid theoretical foundation, but also has a variety of successful applications, e.g.,…..都会写第一次用这个方法成功解决某问题的文章。

f, 第一次使用ML的方法解决一个新颖应用的，也就是最早提出这个问题的，比如那几篇做information extraction from web, 这个应用很有市场，因为后来信息检索，网络信息挖掘大行其道。

g. 其他的，忘了。

2，什么人发表的？

发现被应用最多的人，也基本上是ML领域很有影响的人，有的成为山头的领袖等等。说明，这些人当领袖之前，也确实是做了一个或几个大手笔，成为代表作。 好像只看到俩华人的名字（肯定有别的，忘了），Jiawei Han和Yiming Yang,两个人都有好几个文章。 Han的哪几个提出新方法类的文章（DM）,Yang那几个属于comparative study性质的。老外的名字不好记，所以都忘了，几个原来就印象深刻的有poggio, kanade, vapnik, walliam cohen, jordan, zobin…..有老一代的，也有年轻一代的，现在正是旺年的。

3，发表在什么地方？
因为水木AI版最近有个小讨论，ML的好工作到底都发表在什么地方了，是AI的综合会议IJCAI/AAAI呢，还是ML专门会议ICML/NIPS类的呢。 发现比较早的工作很多发表在MLJ上，JAIR等期刊上，没有JMLR（那时还没有创刊），除了这些期刊，会议则主要是ICML最多，NIPS大概是第二多吧，IJCAI上的没有看到，AAAI的有几篇，数据库的会议SIGMOD,VLDB也有，信息检索会议CIKM，以及SIGIR（比较少，可能创立晚吧）。

CVPR 2017 全部及部分论文解读集锦

计算机视觉顶会之一的CVPR2017将于7月21日至7月26日在夏威夷举行。目前文章都已出来（链接：http://openaccess.thecvf.com/CVPR2017.py 或者点击底下阅读原文直接进入），大家可以在周末尽情得阅读啦。下面为我们整理的一些关于CVPR2017的论文解读的总结。

1.【简评】[CVPR2017]Loss Max-Pooling for Semantic Image Segmentation
论文主要解决的是semantic segmentation中imbalanced training data distributions问题。在semantic segmentation数据集包括现实世界中存在明显的长尾分布的问题，即大多数的数据组成了小部分的类别，因此会导致学习器更偏向于这些类别。

2.CVPR 2017论文笔记— Dilated Residual Networks
这篇论文是作者将何恺明(Kaiming He)博士残差网络Deep Residual Networks与其之前研究的Dilated Convolution相结合的结果。

3.CVPR2017论文：使用VTransE网络进行视觉关系检测（http://cvmart.net/community/article/detail/61)
知识表示学习的思想（TransE）已经被成功应用于视觉关系提取（Visual Relation Extraction），提交 CVPR 2017 的新论文《Visual Translation Embedding Network for Visual Relation Detection》提出的 VTransE 方法是在这方面所迈出的重要一步。清华大学计算机系助理研究员刘知远对此评论说：「视觉关系和语义关系既有重叠又有互补，未来会有很多有趣的问题值得探索。」

4.CVPR2017：深度纹理编码网络 (Deep TEN: Texture Encoding Network)
文中论文提出了一个新的深度学习模型，这个模型推广了传统的字典学习 (dictionary learning) 和残差编码 (Residual Encoders)。

5.CVPR 2017论文：基于网格的运动统计，用于快速、超鲁棒的特征匹配
论文GMS的方法实际上是消除错误匹配的一种方案，比如可以替换ransac。算法执行的大致流程是：先执行任意一种特征点的检测和特征点的描述子计算，论文中采用的是ORB特征。然后执行暴力匹配BF，最后执行GMS以消除错误匹配。

6.CVPR 2017 目标跟踪相关论文（http://cvmart.net/community/article/detail/68）
文中包括main conference中单目标跟踪相关的论文，总共11篇，相关滤波7篇，其中1篇是oral，3篇用到卷积特征，相关滤波占了64%，(非卷积特征的)CNN相关4篇，可以看出目标跟踪现在最火的是相关滤波和深度学习。

7.论文笔记——CVPR 2017 Annotating Object Instances with a Polygon-RNN
文章作者基于深度学习提出一种半自动目标事例标注（semi-automatic annotation of object instances）的算法。

8.CVPR 2017:Large Margin Object Tracking with Circulant Feature Maps
文章作者基于深度学习提出一种半自动目标事例标注（semi-automatic annotation of object instances）的算法。

9.目标跟踪算法：ECO:（Efficient Convolution Operators for Tracking）
Martin Danelljan的又一新作。继C-COT之后又一刷新纪录的作品。不管是从结果还是速度上都有提升，尤其是速度提升明显。用传统特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS。

10.CVPR 2017 值得关注的亮点（https://www.zhihu.com/question/57523080）
各位大神在目标检测，目标跟踪，GAN等领域都提出了自己的看法，可以看看.

11.李飞飞协同斯坦福、CMU带来全新成果：从网络嘈杂的视频中进行学习(https://www.leiphone.com/news/201706/t2bcrZU4G0RjHVKJ.html)
这项研究是李飞飞团队在今年CVPR上的一项最新工作，该方法提出了一种模型用于自动标注网络中巨量的嘈杂视频。

12.对抗学习用于目标检测–A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection(http://blog.csdn.net/zhangjunhit/article/details/70143863)
本文将对抗学习引入到目标检测问题中，通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络，从而使得网络能够对遮挡和变形问题更加的 robust.

13.行人姿态估计–Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields(http://blog.csdn.net/zhangjunhit/article/details/70308555)
多人姿态实时估计，这里主要亮点还是 多人实时+效果。

14.CVPR2017论文解读博客(http://blog.csdn.net/zhangjunhit/article/category/6801399)
博主解读了多篇CVPR2017论文，可以一读

15.微软亚洲研究院创研论坛 CVPR 2017 论文分享会(http://www.xuetangx.com/event/cvpr2017)
微软亚研院创研举办的关于CVPR2017的论文分享会，共有22篇论文10到15分钟的解读，涉及跟踪，检测，人脸再识别等多个计算机视觉主题。可以回看视频。

16.VALSE CVPR 2017专场
VALSE举办的三场关于cvpr217论文解读的线上分享，有大牛出现。
视频链接: http://pan.baidu.com/s/1o8MAWL8 密码: x6i6 （视频转自valse官方）

目标跟踪相关资源（含模型，CVPR2017论文，代码，牛人等）持续更新
https://zhuanlan.zhihu.com/p/27292838