CV补充

CV补充

论文名称：Challenging common assumptions in the unsupervised learning of disentangled representations
所属领域和方向：CV方向，Diss型

推荐理由：这篇是ICML 2019最佳论文，谷歌一个团队在测试12000个模型后对现有无监督分离式表征学习产生严重的质疑。对无监督学习的方式理解现有数据的常用方法为用分离式表征 (disentangled representation) 的模型捕捉相互独立的特征，假若某一个特征改变了，其他特征不会受到影响。根据他们的研究就算训练了大量的模型，一部分可以得出分离式表征，也很难在不看标签的情况下就把这些表征找出来。此外，在参加评估的模型和数据集上，分离式表征对后续任务并不一定有帮助，结果表明用了分离式表征AI也不一定能用更少的标注来学习。所以他们认为，不带归纳偏置 (Inductive Biases) 的无监督学习的分离式表征是不可能实现的，未来的研究应该清楚地描述出归纳偏置，以及隐式和显式的监督方式。

论文原文链接：

https://arxiv.org/pdf/1811.12359.pdf

论文名称：Consensus-Driven Propagation in Massive Unlabeled Data for Face Recognition

所属领域和方向：CV方向， 人脸识别

推荐理由：这篇文章日前发表于ECCV2018。近年来，人脸识别由于深度学习和有标注的数据集取得巨大进步。但扩大数据集的难度越来越高，即使是人工手工标注也容易会引入噪声。作者提出一种从未标注人脸图像生成样本标签对，并使用监督学习模型训练的方法，提供了一种低成本扩大数据集规模提高人脸识别精度的新思路。这种方法十分使用，不仅适用于人脸识别，在所有识别的任务中几乎都可以尝试。另外，从IJB-A的实验结果看，这甚至可以成为一种数据清洗的方法。

论文原文链接：

https://arxiv.org/abs/1809.01407

代码：

https://github.com/XiaohangZhan/cdp/

论文名称：Residual Networks for Light Field Image Super-Resolution

所属领域和方向：CV方向， 超分辨率

推荐理由：发布于 CVPR2019，该论文基于卷积神经网络模型提出了一种针对光场图像的超分辨框架，通过构建多分支的网络结构对不同方向视角图像的细节信息进行整合，另外提出一种灵活的解决方案提高了光场所有视角图像的空间分辨率。该方法在仿真和真实光场数据集上的实验结果超过了目前现有算法的结果。

论文原文链接：

http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhang_Residual_Networks_for_Light_Field_Image_Super-Resolution_CVPR_2019_paper.pdf

论文名称：Blending-target Domain Adaptation by Adversarial Meta-Adaptation Networks

所属领域和方向：CV方向， 域适应

推荐理由：这篇文章由中山大学人机物智能融合实验室发布于CVPR2019。文章表明，混合目标域适应的确会为一般域适应算法造成各种各样的负迁移现象，文中的AMEAN模型能够有效地克服混合目标域适应带来的负迁移效果，从而取得目前在该新问题下的最佳性能。但是作为一个新的迁移学习问题，混合目标域适应并不能解决实际的问题。

论文原文链接：

https://arxiv.org/pdf/1907.03389.pdf

原文代码链接：

https://github.com/zjy526223908/BTDA

论文名称：A Bi-Directional Message Passing Model for Salient Object Detection

所属领域和方向：CV方向，显著性目标检测

推荐理由：近年来，如何集成显著性目标检测任务的补充信息的特征是显著性检测领域的一个问题。在该论文中，作者提出了一个双向信息传递模型来结合不同层的特征。首先，对multi-level feature maps采用一个多尺度情感感知特征提取模块来获取丰富的环境信息。此外，用一个双向结构来通过不同层的特征，并用一个门限函数来控制信息流通率。信息传递后的特征同时编码进了语义信息与空间细节信息，所以可以用其来预测Saliency Maps。最后，前面的预测结果结合起来生成最终的Saliency Map。

论文原文链接：

http://openaccess.thecvf.com/content_cvpr_2018/CameraReady/1366.pdf

论文名称：Revisiting Salient Object Detection! Simultaneous Detection, Ranking, and Subitizing of Multiple Sal
所属领域和方向：CV方向，显著性目标检测

推荐理由： 本文提出了一种解决了考虑了相对排名这个更普遍的问题的方法，并且提出了适合于衡量该问题的数据与度量方法。文中的解决方案是基于相对显著性和分段式细化的分层表示的深度网络。此外，该网络也可以解决显著性目标计数问题。

论文原文链接：

http://openaccess.thecvf.com/content_cvpr_2018/CameraReady/2523.pdf

论文名称：Sim-Real Joint Reinforcement Transfer for 3D Indoor Navigation

所属领域和方向：CV方向，强化学习

推荐理由： 基于强化学习的室内导航的问题最近比较火。机器人从室内随机一点出发，根据指令到达目标位置。这篇论文提出了一个端到端的模型，通过迁移学习的方法将虚拟数据集上的强化学习策略迁移到真实数据集上。论文从对抗学习和模仿学习两方面，分别完成了对底层图像特征和高维强化策略的迁移任务，并获得了比原有方法高20%以上的提升。

论文原文链接：

https://arxiv.org/abs/1904.03895

论文名称：Joint Discriminative and Generative Learning for Person Re-identification (Oral)

所属领域和方向：CV方向，目标识别

推荐理由： 行人重识别的难点包括摄像头的视角/光照/人的姿态等。本文仅仅让模型去“看”更多的训练图像来提升行人重识别的效果，没有使用任何部件匹配的损失。此外，训练图像均由GAN生成的。相比于此前在ICCV2017时第一篇使用GAN来生成行人图像的文章，本文不仅在生成图像质量上有了大的提升，同时也将行人重识别的模型与生成模型做了有机的结合。从行人重识别模型提取好的行人特征可以作为GAN的input vector，而GAN生成图像可以用来finetune行人重识别模型。

论文原文链接：

https://arxiv.org/abs/1904.07223

论文名称： Few-shot Adaptive Faster R-CNN

所属领域和方向：CV方向，目标检测

推荐理由：这篇文章日前发表于CVPR2019，是新加坡国立大学&华为诺亚方舟实验室的paper《Few-shot Adaptive Faster R-CNN》。论文主要介绍的是在小样本（few-shot）数据方向下的域适应（Domain Adaptation）的目标检测算法。论文的实现了两个不同等级的域迁移，并通过成对训练，把目标域物体和源域问题结对训练来解决小样本的问题。最后模型加了一个正则化，从而使模型更加鲁棒。

论文原文链接：

http://www.cs.cmu.edu/~aayushb/OpenShapes/

代码：

https://github.com/aayushbansal/OpenShapes

论文名称： BASNet: Boundary-Aware Salient Object Detection

所属领域和方向：CV方向

推荐理由：这篇文章日前发表于CVPR2019。这篇论文创新点通过使用交叉熵，结构相似性损失和IoU损失这三种混合损失，从而使网络更加关注于便捷质量，不单单是区域的精度。

论文原文链接：

代码：

https://github.com/NathanUA/BASNet

论文名称： A General and Adaptive Robust Loss Function

所属领域和方向：CV方向，损失函数

推荐理由：这篇文章日前发表于CVPR2019。这篇文章介绍激活函数、损失函数和优化函数以及三个函数间的关系。此后提出了一个动态的loss函数，这个函数能用于深度学习的时候就随时变换从而使得模型训练结果更好。

论文原文链接：

代码：

https://github.com/NathanUA/BASNet

论文名称： A General and Adaptive Robust Loss Function

所属领域和方向：CV方向，损失函数

推荐理由：这篇文章日前发表于CVPR2019。这篇文章介绍激活函数、损失函数和优化函数以及三个函数间的关系。此后提出了一个动态的loss函数，这个函数能用于深度学习的时候就随时变换从而使得模型训练结果更好。

论文原文链接：

代码：

https://github.com/NathanUA/BASNet

论文名称： Single-Image Piece-wise Planar 3D Reconstruction via Associative Embedding

所属领域和方向：CV方向，3D重建

推荐理由：这篇文章日前发表于CVPR2019。单幅图像分段平面三维重建的目的是同时分割平面实例并从图像中恢复三维平面参数。利用卷积神经网络(CNNs)能够取得不错的结果，但局限于检测具有一定学习顺序的固定数量的平面。针对这一问题，论文中结合实例分割的成功经验，提出了一种基于关联嵌入的两阶段分割方法。但本文的方法对人造环境效果好，不一定适用于自然环境。

论文原文链接：

https://arxiv.org/pdf/1902.09777.pdf

代码：

https://github.com/svip-lab/PlanarReconstruction

综述专题

论文名称： Imbalance Problems in Object Detection: A Review

所属领域和方向：CV方向，目标检测

推荐理由：这篇论文是2019年发布的关于目标检测中不平衡问题的一篇综述。本文中详细介绍了目标检测中的不平衡问题以及其相关的解决方案。作者非常全面的将不平衡问题划为四类：类别不平衡，尺度不平衡，空间不平衡，目标函数不平衡。读完之后，你可能会发现新出的很多算法，就是为了解决不平衡问题！有兴趣的童靴可以去看一下！

论文原文链接：

https://arxiv.org/abs/1909.00169

论文名称： A Survey of Deep Learning-based Object Detection

所属领域和方向：CV方向，目标检测

推荐理由：本篇文章在2019年10月发布，同样也是目标检测方向，不过这一篇是关于深度学习相关论文的综述。随着用于检测任务的深度学习网络的迅速发展，目标检测器的性能得到了很大的提高。本文首先分析了经典的检测模型的方法，并对baseline数据集进行了描述。之后，系统地全面介绍各种对象检测方法，包括单级和两级检测器。此外，文章中列出了传统的和新的应用并分析了目标检测的几个有代表性的分支。最后，讨论了如何利用这些目标检测方法来建立一个有效和高效的系统的体系结构，并指出未来可能的发展趋势。

论文原文链接：

https://arxiv.org/abs/1907.09408

论文名称： Deep Semantic Segmentation of Natural and Medical Images: A Review

所属领域和方向：CV方向，图像分割

推荐理由：这篇同样也是2019年新出的一篇关于图像分割的综述。在这篇文章中，作者将基于深度学习医学和非医学图像分割方案主要分为6个部分：深度架构改进，数据综合（data synthesis-based），改进损失函数，序列模型，弱监督学习，多任务方法。同时讨论了这些方法的局限性和未来潜在的研究方向。总共包含21页，共计181篇参考文献，包含从FCN(2014) 到 Auto-DeepLab(2019)众多论文。你要是想了解图像分割发展历史十分值得你一读！

论文原文链接：

https://arxiv.org/abs/1910.07655

论文名称： A Review of Visual Trackers and Analysis of its Application to Mobile Robot

所属领域和方向：CV方向，目标跟踪

推荐理由：本篇文章在2019年10月发布，是目标跟踪方向的一篇综述。作者分析了关于目标跟踪中的一些常用框架以及它们会遇到的难点，并介绍了生成方法和判别方法的结构，总结了跟踪器中使用的特征描述符、建模方法和学习方法。随后，从滤波、深度学习和卷积特征三个方面对鉴别跟踪器的发展现状进行了回顾和评价。最后，分析了移动机器人视觉跟踪器的研究方向，并讲述了移动机器人视觉跟踪器的发展趋势。

论文原文链接：

https://arxiv.org/abs/1910.07655

论文名称： A Review of Visual Trackers and Analysis of its Application to Mobile Robot

所属领域和方向：CV方向，超分辨率

推荐理由：这是一篇2019年发表的关于超分辨率的综述。在这篇文章中，广泛地比较了30多个最先进的超分辨率卷积神经网络(CNNs)。文中将现有的方法分为以下类别：linear, residual, multi-branch, recursive, progressive, attention-based and adversarial designs。同时还对网络复杂性、内存占用、模型输入和输出、学习细节、网络损失类型和重要架构差异(例如深度、跳转连接、过滤器)等方面进行比较。最后作者发现了现有技术的存在的几个缺点，并提供了未来的研究方向。

论文原文链接：

https://arxiv.org/pdf/1904.07523.pdf

论文名称： A Survey of Autonomous Driving: Common Practices and Emerging Technologies

所属领域和方向：CV方向，自动驾驶

推荐理由：这是一篇2019年六月出的关于自动驾驶的综述。本文讨论了无人驾驶技术中尚未解决的问题，对其目前面临的挑战、高级系统架构、新出现的方法和核心功能(本地化、映射、感知、规划和人机接口)的研究进行了全面审查。此外，作者的团队对通过比较了不同算法在现实驾驶环境中的情况。论文最后对现有的ADS开发数据集和工具进行了概述。

论文原文链接：

https://arxiv.org/pdf/1904.07523.pdf