Levers are simple too, but they can move the world1.
文章目录
1 Categories
1.1 Classification
-
【NIN】《Network In Network》（arXiv-2013）
-
【Inception-v3】《Rethinking the Inception Architecture for Computer Vision》（CVPR-2016）
-
【WRNs】《Wide Residual Networks》（arXiv-2016）
-
【DenseNet】《Densely Connected Convolutional Networks》（CVPR-2017）
-
【Xception】《Xception: Deep Learning with Depthwise Separable Convolutions》（CVPR-2017）
-
【ResNext】《Aggregated Residual Transformations for Deep Neural Networks》（CVPR-2017）
-
【NasNet】《Learning Transferable Architectures for Scalable Image Recognition》（CVPR-2018）
-
【SENet】《Squeeze-and-Excitation Networks》（CVPR-2018）
-
【CBAM】《CBAM: Convolutional Block Attention Module》（ECCV-2018）
-
【Bilinear Pooling】《A Novel DR Classfication Scheme based on Compact Bilinear Pooling CNN and GBDT》（JIH-MSP-2018）
-
【SKNet】《Selective Kernel Networks》（CVPR-2019）
1.2 Compression
-
【Distilling】《Distilling the Knowledge in a Neural Network》（arXiv-2015, In NIPS Deep Learning Workshop, 2014）
-
【Comprssion】《Deep Compression：Compressing Deep Neural Networks with Pruning，Trained Quantization and Huffman Coding》（ICLR-2016 Best Paper）
-
【Distilling】《Learning Efficient Object Detection Models with Knowledge Distillation》（NIPS-2017）
-
【Mimic】《Mimicking Very Efficient Network for Object Detection》（CVPR-2017）
-
【Very Tiny】《Quantization Mimic: Towards Very Tiny CNN for Object Detection》（ECCV-2018）
-
【MobileNet】《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》（CVPR-2017）
-
【SqueezeNet】《SqueezeNet：AlexNet-Level accuracy with 50× fewer parameters and <0.5MB model size》（ICLR-2017）
-
【ShuffleNet】《ShuffleNet：An Extremely Efficient Convolutional Neural Network for Mobile Devices》（CVPR-2018）
-
【MobileNet V2】《MobileNetV2：Inverted Residuals and Linear Bottlenecks》（CVPR-2018）
-
【ShuffleNet V2】《ShuffleNet V2：Practical Guidelines for Efficient CNN Architecture Design》（ECCV-2018）
1.3 Object Detection
-
【OverFeat】《OverFeat：Integrated Recognition, Localization and Detection using Convolutional Networks》（ICLR-2014）
-
【RCNN】《Rich feature hierarchies for accurate object detection and semantic segmentation 》（CVPR-2014）
-
【SPP-net】《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》（ECCV-2014）
-
【Fast RCNN】《Fast-RCNN》（ICCV-2015）
-
【Faster RCNN】《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》（NIPS-2015）
-
【OHEM】《Training Region-based Object Detectors with Online Hard Example Mining》（CVPR-2016）
-
【SSD】《SSD：Single Shot MultiBox Detector》（ECCV-2016）
-
【YOLOv1】《You Only Look Once: Unified, Real-Time Object Detection》 （CVPR-2016）
-
【R-FCN】《R-FCN: Object Detection via Region-based Fully Convolutional Networks》（NIPS-2016）
-
【PVANet】《PVANET：Deep but Lightweight Neural Networks for Real-time Object Detection》（arXiv-2016）
-
【Light-Head RCNN】《Light-Head R-CNN: In Defense of Two-Stage Object Detector》（arXiv-2017）
-
【FPN】《Feature Pyramid Networks for Object Detection》（CVPR-2017）
-
【Mask RCNN】《Mask R-CNN》（ICCV-2017）
-
【Focal Loss】《Focal Loss for Dense Object Detection》（ICCV-2017）
-
【DetNet】《DetNet：A Backbone network for Object Detection》（arXiv-2018）
-
【USE】《Object detection based on deep learning for urine sediment examination》（Biocybernetics & Biomedical Engineering, 2018）
-
【R-FCN-3000】《R-FCN-3000 at 30fps: Decoupling Detection and Classification》（CVPR-2018）
-
【Cascade R-CNN】《Cascade R-CNN: Delving into High Quality Object Detection》（CVPR-2018）
-
【CornerNet】《CornerNet: Detecting Objects as Paired Keypoints》（ECCV-2018）
-
【Feature Pyramid】《Deep Feature Pyramid Reconfiguration for Object Detection》（ECCV-2018）
-
【CenterNet】《Objects as Points》（arXiv-2019）
-
【MoCo】《Momentum Contrast for Unsupervised Visual Representation Learning》（arXiv-2019）
-
【TridentNet】《Scale-Aware Trident Networks for Object Detection》（ICCV-2019）
-
【Up-Sampling】《CARAFE：Content-Aware ReAssembly of FEatures》（ICCV-2019）
-
【ThunderNet】《ThunderNet: Towards Real-time Generic Object Detection on Mobile Devices》（ICCV-2019）
-
【Matrix Nets】《Matrix Nets：A New Deep Architecture for Object Detection》（ICCV-2019 workshops）
-
【Libra R-CNN】《Libra R-CNN: Towards Balanced Learning for Object Detection》（CVPR-2019）
1.4 Segmentation
-
【U-Net】《U-Net：Convolutional Networks for Biomedical Image Segmentation》（MICCAI-2015）
-
【FCN】《Fully Convolutional Networks for Semantic Segmentation》（CVPR-215 best paper）
-
【Dilated Conv】《Multi-Scale Context Aggregation by Dilated Convolutions》（ICLR-2016）
-
【CenterMask】《CenterMask：Single Shot Instance segmentation with Point Representation》（CVPR-2020）
1.5 Face Detection
-
【DDFD】《Multi-view Face Detection Using Deep Convolutional Neural Networks》（ICMR-2015）
-
【IoU Loss】《UnitBox: An Advanced Object Detection Network》（ACM MM-2016）
-
【Face Detection】《Face Detection using Deep Learning: An Improved Faster RCNN Approach》（Neurocomputing-2018）
1.6 Point Detection
-
【Stacked Hourglass】《Stacked Hourglass Networks for Human Pose Estimation》（ECCV-2016）
-
【Knee Landmark】《KNEEL：Knee Anatomical Landmark Localization Using Hourglass Networks》（ICCVW-2019）
1.7 High Resolution
-
【YOLT】《You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery》（CVPR-2018被拒）
-
【WSI】《Faster R-CNN-Based Glomerular Detection in Multistained Human Whole Slide Images》（MDPI-2018）
1.8 One Shot
-
【One Shot】《Siamese Neural Networks for One-shot Image Recognition》（ICML-2015）
-
【One Shot】《Matching Networks for One Shot Learning》（NIPS-2016）
1.9 Noisy Label
-
【Noise-Label】《Learning from Noisy Labels with Deep Neural Networks》（arXiv-2014）
-
【Noise-Label】《Training a Neural Network Based on Unreliable Human Annotation of Medical Images》（ISBI-2018）
2 期刊会议
常见的评审制度有单盲评审（single-blind）、双盲评审（double-blind）和开放式评审（open review） 等。
- 单盲评审即评审人员对文章进行匿名评审，评审人员知道文章作者的信息。
- 双盲评审即评审人和文章作者互相都不知道对方的信息，完全匿名。
- 开放式评审即所有提交的论文都会公开姓名等信息，并且接受所有同行的评价及提问（open peer review），任何学者都可匿名或实名评价论文。而在公开评审结束后，论文作者也能够对论文进行调整和修改。
以下几小段内容来自 2018年学术顶会：深度学习的江山如此多娇
我们可以看到这些学术顶会的论文提交数量不断增长，有些增幅甚至超 40%。那么一年过去了，合格的论文评审人员的增幅是否赶得上论文的增幅呢？
答案显而易见。今年 5 月，本科毕业生成为 NeurIPS 2018 论文同行评审的事情引发争议；7 月份，NeurIPS 2018 论文评审结果出来后，很多人吐槽评审意见不专业。几天后，GAN 之父Ian Goodfellow 发推质疑同行评审机制的作用，他认为同行评审导致 AI 顶会论文质量下降，而主要原因正在于评审人员水平不一。此前发表过「机器学习之怪现状」的 Zachary Lipton 同意 Goodfellow 的看法，认为同行评审机制的退化是机器学习怪现状的原因之一。
除了 Ian Goodfellow、Zachy Lipton 以外，Geoff Hinton 前不久接受采访时称，现在的评审制度和既定路径不利于创新性想法的提出和传播，junior 论文评审者可能压根无法理解创新性论文。关于此，国内学者也有类似看法，著名自然语言处理专家刘群教授说过：「审稿的时候……通常比较 junior 的审稿人会更严厉一些，发现一些小问题就会倾向于给低分，而 senior 的审稿人反倒宽松一些，如果觉得论文确有可取之处，通常不会太计较一些小问题。」此前，南京大学周志华教授称：「senior 知道论文价值就是那点新火花，有毛病没关系。前沿研究要有长处，系统开发要无短处。」
2.1 期刊
-
PAMI
《IEEE Transactions on Pattern Analysis and Machine Intelligence》是人工智能、模式识别、图像处理、计算机视觉领域的顶尖国际期刊之一，2016-2017年度影响因子为8.329，属于JCR TOP期刊，是计算机科学与人工智能领域的5个一区刊物之一。该杂志覆盖所有计算机视觉、图像理解、模式分析与识别等传统领域，以及部分机器智能领域，尤其强调模式分析的机器学习的前沿成果。 -
TMI
《IEEE Transactions on Medical Imaging》 (月刊，医学图像处理顶刊) -
MIA
《Medical Image Analysis 》(月刊，医学图像处理顶刊)
2.2 会议
-
AAAI （人工智能顶会，A类/年）
围绕人工智能的研究与发展，吸引了全球的人工智能精英。 -
CVPR（计算机视觉顶会，A类/年）
《IEEE Conference on Computer Vision and Pattern Recognition》。这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。 -
ECCV（计算机视觉顶会，B类/两年）
《Europeon Conference on Computer Vision》，是一个欧洲的会议。虽然名字不是International，但是会议的级别不比前面两个差多少。欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。 -
ICCV（计算机视觉顶会，A类/两年）
《International Comference on Computer Vision》，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。ICCV两年一次，与ECCV正好错开。 -
ICLR（深度学习顶会/年）
《International Conference on Learning Representations》国际学习表征会议，2013 年，深度学习巨头 Yoshua Bengio、Yann LeCun 主持举办了第一届 ICLR 大会。经过几年的发展，在深度学习火热的今天，ICLR 已经成为人工智能领域不可错过的盛会之一。 -
ICML（机器学习顶会，A类/年）
《International Conference on Machine Learning》国际机器学习大会。ICML如今已发展为由国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议。 -
IJCAI（人工智能国际联合大会，A类/年）
《International Joint Conference on Artificial Intelligence》国际人工智能联合会议，是人工智能领域的顶级综合会议，原为单数年召开，自2015年起改为每年召开。 -
IPMI（医学图像处理顶会/两年）
《Information Processing in Medical Imaging 》 -
MICCAI（医学图像处理顶会/年）
《International Conference on Medical Image Computing and Computer Assisted Intervention 》 -
NIPS（人工智能顶会，A类/年）
《Conference and Workshop on Neural Information Processing Systems》 神经信息处理系统大会
是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。
3 Speech / Course
- 【Paper material】
- 【Book Review】（私密）
- 【摘抄】英文（私密）
- 【摘抄】中文（私密）
- 【Andrew Ng】《Class of 2017 Sloan Fellows presents》
- 【周志华】新智元 AI World 2018 世界人工智能峰会
- 【National Treasure】
- 【Career Exploration and Selection】
- 【Romance of the Three Kingdoms】
4 Material
- AI自动抠图
- 十分钟快速理解DPI和PPI，不再傻傻分不清！
- 25个深度学习相关公开数据集
- PASCAL VOC2007 Database Statistics
- PASCAL VOC2012 Database Statistics
- 旷视南京研究院魏秀参：细粒度图像分析综述（「R Talk 」是旷视推出的一个深度学习专栏，将通过不定期的推送展示旷视科技的学术分享及阶段性技术成果。「R」是 Research 的缩写，也是旷视研究院的内部代号；而所有的「Talk」都是来自旷视的 Researcher。「R Talk 」旨在通过一场场精彩纷呈的深度学习分享，抛砖引玉，推陈出新，推动中国乃至全球领域深度学习技术的大发展。）
- 俞刚：我在旷视研究院做检测
- Receptive Field Calculator
4.1 【Keras】Classification in CIFAR-10 系列连载
- 【Keras-LeNet】CIFAR-10
- 【Keras-AlexNet】CIFAR-10
- 【Keras-NIN】CIFAR-10
- 【Keras-VGG】CIFAR-10
- 【Keras-ResNet】CIFAR-10
- 【Keras-DenseNet】CIFAR-10
- 【Keras-Inception v1】CIFAR-10
- 【Keras-Inception v2】CIFAR-10
- 【Keras-Inception v3】CIFAR-10
- 【Keras-Inception v4】CIFAR-10
- 【Keras-Inception-resnet v1】CIFAR-10
- 【Keras-Inception-resnet v2】CIFAR-10
- 【Keras-MobileNet v1】CIFAR-10
- 【Keras-Xception】CIFAR-10
- 【Keras-SqueezeNet】CIFAR-10（上）
- 【Keras-SqueezeNet】CIFAR-10（下）