2019年，计算机视觉领域，你推荐哪些综述性的文章？

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