来源:https://www.zhihu.com/question/355566860
编辑:深度学习与计算机视觉
声明:仅做学术分享,侵删
作者:Amusi
https://www.zhihu.com/question/355566860/answer/894352980
没想到CVer这么多,这里再补充几个综述(自动驾驶、医学图像分割、显著性目标检测、行为识别、深度估计),也推荐大家关注计算机视觉论文速递知乎专栏,可以快速了解到最新优质的CV论文
一直关注CV这一块,下面分享几个2019年比较好的CV综述,方向涵盖:目标检测、图像分割、目标跟踪和超分辨率等
目标检测
2019 四大目标检测综述论文:
Imbalance Problems in Object Detection: A Review
intro: under review at TPAMI
arXiv: https://arxiv.org/abs/1909.00169
Recent Advances in Deep Learning for Object Detection
intro: From 2013 (OverFeat) to 2019 (DetNAS)
arXiv: https://arxiv.org/abs/1908.03673
A Survey of Deep Learning-based Object Detection
intro:From Fast R-CNN to NAS-FPN
arXiv:https://arxiv.org/abs/1907.09408
Object Detection in 20 Years: A Survey
intro:This work has been submitted to the IEEE TPAMI for possible publication
arXiv:https://arxiv.org/abs/1905.05055
目标检测更多论文详见:https://github.com/amusi/awesome-object-detection
图像分割
Deep Semantic Segmentation of Natural and Medical Images: A Review
intro: 从 FCN(2014) 到 Auto-DeepLab(2019),本综述共含179篇语义分割和医学图像分割参考文献
arXiv: https://arxiv.org/abs/1910.07655
Understanding Deep Learning Techniques for Image Segmentation
intro: 本综述介绍了从2013年到2019年,主流的30多种分割算法(含语义/实例分割),50多种数据集,共计224篇参考文献
arXiv: https://arxiv.org/abs/1907.06119
目标跟踪
A Review of Visual Trackers and Analysis of its Application to Mobile Robot
intro: 本目标跟踪综述共含185篇参考文献!从传统方法到最新的深度学习网络
arXiv: https://arxiv.org/abs/1910.09761
Deep Learning in Video Multi-Object Tracking: A Survey
intro: 38页目标跟踪综述,含30多种主流算法,共计174篇参考文献
arXiv: https://arxiv.org/abs/1907.12740
超分辨率
A Deep Journey into Super-resolution: A survey
arXiv: https://arxiv.org/abs/1904.07523
Deep Learning for Image Super-resolution: A Survey
arXiv:https://arxiv.org/abs/1902.06068
医学图像分割
Deep learning for cardiac image segmentation: A review
intro: 本医学图像分割综述从FCN(2014)到Dense U-net(2019),超过250篇的参考文献(论文中光画图的工作量就超级大)
arXiv: https://arxiv.org/abs/1911.03723
Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications
arXiv: https://arxiv.org/abs/1911.02521
自动驾驶
A Survey of Autonomous Driving: Common Practices and Emerging Technologies
intro: 在本次自动驾驶系统调查中,本文概述了一些关键创新以及现有系统。涉及内容如下:1. 前景和挑战 2. 自动驾驶系统架构 3. 传感器 4. 定位和建图技术 5. 感知(2D/3D):目标检测、跟踪、道路和车道线检测 6. 评估方法 7. 自动驾驶相关数据集 8. 自动驾驶开源工具
arXiv: https://arxiv.org/abs/1906.05113
显著性目标检测
Salient Object Detection in the Deep Learning Era: An In-Depth Survey
arXiv: https://arxiv.org/abs/1904.09146
github: https://github.com/wenguanwang/SODsurvey
行为识别
Spatio-temporal Action Recognition: A Survey
arXiv: https://arxiv.org/abs/1901.09403
深度估计
Monocular Depth Estimation: A Survey
arXiv: https://arxiv.org/abs/1901.09402
其它CV方向的综述,有时间再来补
作者:木盏
https://www.zhihu.com/question/355566860/answer/960003673
看了一圈,确定没有GCN/GNN综述我就放心了。本人来实力安利一篇GCN/GNN方面的综述:
《A Comprehensive Survey on Graph Neural Networks》
arxiv链接:https://arxiv.org/pdf/1901.00596.pdf
这篇综述最赞之处有以下几点:
1,非常系统的分类法。比如空间域和频域,嵌入和生成,节点分类和图分类等等。很多初学者通常从频域开始着手,慢慢地,就从入门到放弃了。其实,没有信号处理基础的初学者可以从空间域的GCN方法入手,可能更简单,更易于理解。
2,这篇综述最性感的地方就是,他给出了每个数学符号的解释,对于早把高数抛脑后的同学来说,真是大福利:
3,除了第一点的粗分类外,还有细分类:输入输出类别,还有时间复杂度。下面这个表格是满满的工作量:(这砖得抓好几个研究生来搬):
作者:Mithrandir
https://www.zhihu.com/question/355566860/answer/904606305
最近在关注 Incremental Learning / Lifelong Learning 相关的研究,分享几篇比较好的综述。
今年九月的这篇 Continual learning: A comparative study on how to defy forgetting in classification tasks 挺全面地总结和对比了分类任务里连续学习的不同方法和 benchmark。
CORe50 dataset 的官方网站也涵盖了对连续学习领域背景知识的介绍(e.g. Continuous Learning Strategies),做的很不错,强烈推荐。
还有这篇 Three scenarios for continual learning,可以当做跑 benchmark 的参考工具包使用。
不断更新资源
获取更多精彩
长按二维码扫码关注