本文回顾了计算机视觉、深度学习等领域的重要论文，涵盖了分类、目标检测、分割等多个方向，并总结了数据增强技术的发展。
Levers are simple too, but they can move the world1.
文章目录
disconnect between author’s intent and reader’s learning
例如，直到现在人们还在争论孔子写过的那些文字到底是什么意思
它更多是一个反复的理解过程，阅读等同于理解，不同层次的阅读对应不同层次的理解
1、Categories
【Classification】
-
【NIN】《Network In Network》（arXiv-2013）
-
【Mixed Pooling】《Mixed Pooling for Convolutional Neural Networks》（RSKT-2014）
-
【Distilling】《Distilling the Knowledge in a Neural Network》（arXiv-2015, In NIPS Deep Learning Workshop, 2014）
-
【Inception-v3】《Rethinking the Inception Architecture for Computer Vision》（CVPR-2016）
-
【WRNs】《Wide Residual Networks》（arXiv-2016）
-
【Stochastic Depth】《Deep Networks with Stochastic Depth》（ECCV-2016）
-
【Comprssion】《Deep Compression：Compressing Deep Neural Networks with Pruning，Trained Quantization and Huffman Coding》（ICLR-2016 Best Paper）
-
【SGDR】《SGDR：Stochastic Gradient Descent with Warm Restarts》（arXiv-2016）
-
【CLR】《Cyclical Learning Rates for Training Neural Networks》（WACV-2017）
-
【Distilling】《Learning Efficient Object Detection Models with Knowledge Distillation》（NIPS-2017）
-
【RSCM】《RSCM：Region selection and concurrency model for multi-class weather recognition》（TIP-2017）
-
【SqueezeNet】《SqueezeNet：AlexNet-Level accuracy with 50× fewer parameters and <0.5MB model size》（ICLR-2017）
-
【Snapshot Ensembles】《Snapshot Ensembles：Train 1，Get M for Free》（ICLR-2017）
-
【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）
-
【MobileNet】《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》（CVPR-2017）
-
【NasNet】《Learning Transferable Architectures for Scalable Image Recognition》（CVPR-2018）
-
【SENet】《Squeeze-and-Excitation Networks》（CVPR-2018）
-
【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）
-
【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）
-
【FD-MobileNet】《FD-MobileNet：Improved MobileNet with a Fast Downsampling Strategy》（ICIP-2018）
-
【SKNet】《Selective Kernel Networks》（CVPR-2019）
-
【BoT】《Bag of Tricks for Image Classification with Convolutional Neural Networks》（CVPR-2019）
-
【C3AE】《C3AE：Exploring the Limits of Compact Model for Age Estimation》（CVPR-2019）
-
【MnasNet】《MnasNet：Platform-Aware Neural Architecture Search for Mobile》（CVPR-2019）
-
【EfficientNet】《EfficientNet：Rethinking Model Scaling for Convolutional Neural Networks》（ICML-2019）
-
【MobileNet V3】《Searching for MobileNetV3》（ICCV-2019）
-
【RegNet】《Designing Network Design Spaces》（CVPR-2020）
-
【GhostNet】《GhostNet：More Features from Cheap Operations》（CVPR-2020）
-
【CSPNet】《CSPNet：A New Backbone that can Enhance Learning Capability of CNN》（CVPRW-2020）
-
【RepVGG】《RepVGG：Making VGG-style ConvNets Great Again》（CVPR-2021）
-
【CA】《Coordinate Attention for Efficient Mobile Network Design》（CVPR-2021）
-
【Shuffle Attention】《SA-Net：Shuffle Attention for Deep Convolutional Neural Networks》（ICASSP-2021）
-
【NAM】《NAM：Normalization-based Attention Module》（NeurIPS-2021 workshop）
-
【GAM】《Global Attention Mechanism：Retain Information to Enhance Channel-Spatial Interactions》（arXiv-2021）
-
【EfficientNetV2】《EfficientNetV2: Smaller Models and Faster Training》（ICML-2021）
-
【SPD-Conv】《No More Strided Convolutions or Pooling：A New CNN Building Block for Low-Resolution Images and Small Objects》（ECML-PKDD-2022）
-
【Transformer】Introduction to Transformer（learning notes）
最低0.47元/天 解锁文章
扫一扫
580
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
