[转载] 2019年目标分类、目标检测、图像分割、弱监督的综述文章

转自:https://zhuanlan.zhihu.com/p/95499141
所有的综述文章，都是2019年的

1.目标跟踪最佳综述3篇

【1】A Review of Visual Trackers and Analysis of its Application to Mobile Robot

时间：2019年10月

作者机构：中国矿业大学

链接：https://arxiv.org/abs/1910.09761

推荐指数：★★★★
【2】Deep Learning in Video Multi-Object Tracking: A Survey

时间：2019年11月

作者机构：萨勒诺大学&格拉纳达大学等

链接：https://arxiv.org/abs/1907.12740

推荐指数：★★★★
【3】Deep Learning for Visual Tracking: A Comprehensive Survey

时间：2019年12月

作者机构：亚兹德大学&奥尔堡大学&阿尔伯塔大学等

链接：https://arxiv.org/abs/1912.00535

推荐指数：★★★★★

2.图像分割算法最佳综述5篇

【1】Understanding Deep Learning Techniques for Image Segmentation

时间：2019年7月

作者：贾达珀大学

链接：https://arxiv.org/abs/1907.06119

推荐指数：★★★★★
【2】Embracing Imperfect Datasets: A Review of Deep Learning Solutions for Medical Image Segmentation

时间：2019年8月

作者：体素科技(VoxelCloud)

链接：https://arxiv.org/abs/1908.10454

推荐指数：★★★
【3】Deep Semantic Segmentation of Natural and Medical Images: A Review

时间：2019年10月

作者：西蒙弗雷泽大学&蒙特利尔大学等

链接：https://arxiv.org/abs/1910.07655

推荐指数：★★★★★
【4】Deep learning for cardiac image segmentation: A review

时间：2019年11月

作者：帝国理工学院&伦敦大学&伯明翰大学

链接：https://arxiv.org/abs/1911.03723

推荐指数：★★★★★
【5】Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications

时间：2019年11月

作者：斯坦福大学

链接：https://arxiv.org/abs/1911.02521

推荐指数：★★★★

3.目标检测算法最佳综述4篇

【1】Object Detection in 20 Years: A Survey

时间：2019年5月

作者：密歇根大学&北航&卡尔顿大学&滴滴出行

链接：https://arxiv.org/abs/1905.05055

推荐指数：★★★★★
【2】A Survey of Deep Learning-based Object Detection

时间：2019年7月

作者：西安电子科技大学

链接：https://arxiv.org/abs/1907.09408

推荐指数：★★★★
【3】Recent Advances in Deep Learning for Object Detection

时间：2019年8月

作者：新加坡管理大学&Salesforce

链接：https://arxiv.org/abs/1908.03673

推荐指数：★★★★
【4】Imbalance Problems in Object Detection: A Review

时间：2019年9月

作者：中东技术大学

链接：https://arxiv.org/abs/1909.00169

推荐指数：★★★★

4.弱监督学习的论文

【1】Symmetric Cross Entropy for Robust Learning with Noisy Labels
【2】maksing a new perspective of noisy supervsion
【3】Generalized Cross Entropy Loss for Training Deep Neural Networks with Noisy Labels
【4】CurriculumNet: Weakly Supervised Learning from Large-Scale Web Images
【5】Deep Self-Learning From Noisy Labels
【6】A Simple Noisy Label Detection Approach for Deep Neural Networks