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