ML paper notes

ML Papiere

Dieses Repo enthält Notizen und kurze Zusammenfassungen einiger ML -verwandter Artikel, auf die ich begegne, die von Subjekten organisiert sind, und die Zusammenfassungen erfolgen in Form von PDFs.

Selbstüberwachter und kontrastives Lernen

• Selbstübersichtes relationales Denken für das Lernen von Repräsentation (2020): [Papier] [Notizen]
• Große selbstüberwachende Modelle sind starke halbüberwachende Lernende (2020) [Papier] [Notizen]
• Debias kontrastives Lernen (2020) [Papier] [Notizen]
• Selfie: Selbsterdurchschnittliche Vorbereitung für die Bildeinbettung (2019): [Papier] [Notizen]
• Selbstbekannte Darstellung von Repräsentation durch Rotationsfunktion Entkopplung (2019): [Papier] [Notizen]
• Überprüfung selbst überprüfter visueller Repräsentation Learning (2019): [Papier] [Notizen]
• AET vs. AED: Unbeaufsichtigtes Erlernen von Repräsentationen durch automatisch kodierende Transformationen (2019): [Papier] [Notizen]
• Steigerung des selbstsütigen Lernens durch Knowledge Transfer (2018): [Papier] [Notizen]
• Self-Supervised-Feature-Lernen durch Lernen, Artefakte zu erkennen (2018): [Papier] [Notizen]
• Unüberwachungsübergreifendes Lernen von Repräsentationen durch Vorhersage von Bildrotationen (2018): [Papier] [Notizen]
• Cross Pixel Optical-Flow-Ähnlichkeit für das selbstbewertete Lernen (2018): [Papier] [Notizen]
• Multi-Task-Selbstversorgung visuelles Lernen (2017): [Papier] [Notizen]
• AutoCodierer von Split-Hirns: unbeaufsichtigtes Lernen durch Cross-Channel Prediction (2017): [Papier] [Notizen]
• Colorization als Proxy -Aufgabe für visuelles Verständnis (2017): [Papier] [Notizen]
• Unbeaufsichtigtes Lernen von visuellen Darstellungen durch Lösen von Puzzles (2017): [Papier] [Notizen]
• Unüberwachte visuelle Repräsentation Lernen nach Kontextvorhersage (2016): [Papier] [Notizen]
• Buntes Bildfarbisation (2016): [Papier] [Notizen]
• Lernen visueller Gruppen aus Co-Auftreten im Raum und Zeit (2015): [Papier] [Notizen]
• Diskriminatives unbeaufsichtigtes Lernen von Merkmalen mit exemplarer Faltungsnetzwerke (2015): [Papier] [Notizen]

Semi-betriebliches Lernen

• Negative Probenahme im semi-übersichtlichen Lernen (2020): [Papier] [Notizen]
• Zeitkonsistente Selbst-Supervision für halbübergreifendes Lernen (2020): [Papier] [Notizen]
• Dual Student: Die Grenzen des Lehrers im semi-sachlichen Lernen (2019) durchbrechen: [Papier] [Notizen]
• S4L: Selbsterdurchschnittlich semi-überprüftes Lernen (2019): [Papier] [Notizen]
• Semi-betriebliches Lernen durch Augmented Distribution Alignment (2019): [Papier] [Notizen]
• MixMatch: Ein ganzheitlicher Ansatz tosemi-sachdiertes Lernen (2019): [Papier] [Notizen]
• Unüberwachte Daten Augmentation (2019): [Papier] [Notizen]
• Interpolation Consistency Training für semi-überprüfter Lernen (2019): [Papier] [Notizen]
• Deep Co-Training für semi-überprüfte Bilderkennung (2018): [Papier] [Notizen]
• Vereinheitlich semi-vorträglich und robustes Lernen durch Mixup (2019): [Papier] [Notizen]
• Realistische Bewertung von tiefen, semi-überprüften Lernalgorithmen (2018): [Papier] [Notizen]
• Halbüberwachungsequenzmodellierung mit Cross-View-Training (2018): [Papier] [Notizen]
• Virtuelles widersprüchliches Training (2017): [Papier] [Notizen]
• Mean Lehrer sind bessere Vorbilder (2017): [Papier] [Notizen]
• Temporales Ensembling für halbübergreifendes Lernen (2017): [Papier] [Notizen]
• Semi-betriebliches Lernen mit Leiternetzwerken (2015): [Papier] [Notizen]

Videoverständnis

• Multiscale Vision Transformers (2021): [Papier] [Notizen]
• Vivit a Video Vision Transformator (2021): [Papier] [Notizen]
• Raumzeit Mischen Aufmerksamkeit für Video-Transformer (2021): [Papier] [Notizen]
• Ist die Aufmerksamkeit der Raumzeit alles, was Sie zum Videoverständnis benötigen (2021): [Papier] [Notizen]
• Ein Bild ist 16x16 Wörter, was ein Video wert ist (2021): [Papier] [Notizen]
• Temporale Abfrage-Netzwerke für feinkörniges Videoverständnis (2021): [Papier] [Notizen]
• X3D Erweiterende Architekturen für eine effiziente Videoerkennung (2020): [Papier] [Notizen]
• Temporales Pyramid -Netzwerk zur Aktionserkennung (2020): [Papier] [Notizen]
• STM Spatiotemporal und Motion Coding for Actionerkennung (2019): [Papier] [Notizen]
• Videoklassifizierung mit kanal getrennten Faltungsnetzwerken (2019): [Papier] [Notizen]
• Videomodellierung mit Korrelationsnetzwerken (2019): [Papier] [Notizen]
• Videos als Raum-Zeit-Region-Diagramme (2018): [Papier] [Notizen]
• Slowfast Networks für Videoerkennung (2018): [Papier] [Notizen]
• TSM Temporal Shift Modul für effizientes Videoverständnis (2018): [Papier] [Notizen]
• Zeitkenntnis für komplexe Aktionserkennung (2018): [Papier] [Notizen]
• Nicht-lokale neuronale Netzwerke (2017): [Papier] [Notizen]
• Temporale Segmentnetzwerke zur Aktionserkennung in Videos. (2017): [Papier] [Notizen]
• Quo Vadis Actionerkennung Ein neues Modell und das Kinetik -Datensatz (2017): [Papier] [Notizen]
• Ein genauerer Blick auf räumlich -zeitliche Konvolutionen für die Aktionserkennung (2017): [Papier] [Notizen]
• ActionVlad Learning Spatio-Temporal Aggregation for Action Classification (2017): [Papier] [Notizen]
• Spatiotemporale Restnetzwerke für die Videoaktionserkennung (2016): [Papier] [Notizen]
• Deep Temporal Linear Coding Networks (2016): [Papier] [Notizen]
• Zeitliche Faltungsnetzwerke für Aktionssegmentierung und Erkennung (2016): [Papier] [Notizen]
• Räumlich -zeitliche Merkmale mit 3D -Faltungsnetzwerk (2014): [Papier] [Notizen]

Verallgemeinerung der Domänenanpassung, Domain und Verteilung

• Überdenken der Domänenanpassung des Verteilungsabgleichs (2020): [Papier] [Notizen]
• Übertragbarkeit vs. Diskriminierbarkeit: Stapelspektralstrafe (2019): [Papier] [Notizen]
• Zum Lernen invariante Darstellungen für die Domänenanpassung (2019): [Papier] [Notizen]
• Universal Domain Adaptation (2019): [Papier] [Notizen]
• Übertragbares kontroverses Training (2019): [Papier] [Notizen]
• Multi-Adversarial-Domänenanpassung (2018): [Papier] [Notizen]
• Bedingte Gegnerdomänenanpassung (2018): [Papier] [Notizen]
• Gegenteil faire und übertragbare Darstellungen (2018): [Papier] [Notizen]
• Welche Auswirkungen haben die Wichtigkeit des tiefen Lernens? (2018): [Papier] [Notizen]

Erklärung

• Um das Lernverhalten von NLU -Modellen zu interpretieren und zu mildern (2021): [Papier] [Notizen]
• Transformator Interpretierbarkeit über die Aufmerksamkeitsvisualisierung hinaus (2020): [Papier] [Notizen]
• Was Formen -Feature -Darstellungen zur Erforschung von Datensätzen Architekturen und Schulungen (2020): [Papier] [Notizen]
• Aufmerksamkeitsbasierte Dropout-Schicht für die schwach überwachte Objektlokalisierung (2019): [Papier] [Notizen]
• Aufmerksamkeit ist keine Erklärung (2019): [Papier] [Notizen]
• SmoothGrad -Rauschen durch Hinzufügen von Rauschen (2017): [Papier] [Notizen]
• Axiomatische Zuschreibung für Deep Networks (2017): [Papier] [Notizen]
• Aufmerksamkeitszweignetzwerk: Lernen des Aufmerksamkeitsmechanismus für visuelle Erklärungen (2019): [Papier] [Notizen]
• Mehr Aufmerksamkeit schenken: Verbesserung der Leistung von CNNs durch Aufmerksamkeitsübertragung (2016): [Papier] [Notizen]

Verarbeitung natürlicher Sprache (NLP)

• Pre-Train, Eingabeaufforderung und Vorhersage: Eine systematische Übersicht über die Anlaufmethoden in der Verarbeitung natürlicher Sprache (2021): [Papier] [Notizen]
• Unüberwachte Datenvergrößerung durch naive Augmentation und ohne unbezeichnete Daten (2020): [Papier] [Notizen]
• Überwachendes kontrastives Lernen für vorgebliebene Sprachmodell-Feinabstimmungen (2021): [Papier] [Notizen]
• Bert und Pals: Projizierte Aufmerksamkeitsebenen für eine effiziente Anpassung im Multitasking-Lernen (2020): [Papier] [Notizen]
• Freelb: Verbessertes kontroverses Training für das Verständnis der natürlichen Sprache (2020): [Papier] [Notizen]
• Mixtext: sprachlich informierte Interpolation für die halbüberwachte Textklassifizierung (2020): [Papier] [Notizen]

Generative Modellierung

• Generative Vorbereitung von Pixeln (2020): [Papier] [Notizen]
• Konsistenzregulierung für generative kontroverse Netzwerke (2020): [Papier] [Notizen]

Unbeaufsichtigtes Lernen

• Invariante Informationen Clustering für unbeaufsichtigte Bildklassifizierung und Segmentierung (2019): [Papier] [Notizen]
• Tiefes Clustering für unbeaufsichtigtes Lernen der visuellen Feature (2018): [Papier] [Notizen]

Semantische Segmentierung

• Deeplabv3+: Encoder-Decoder mit einer abtrennbaren Faltung (2018): [Papier] [Notizen]
• Großer Kernel, Verbesserung der semantischen Segmentierung durch globales Faltungsnetzwerk (2017): [Papier] [Notizen]
• Verständnis der Faltung für semantische Segmentierung (2018): [Papier] [Notizen]
• Überdenken von der schmerzhaften Faltung für die semantische Bildsegmentierung (2017): [Papier] [Notizen]
• Raffineret: Multi-Pfad-Verfeinerungsnetzwerke für hochauflösende semantische Segmentierung (2017): [Papier] [Notizen]
• Pyramidenszene Parsing Network (2017): [Papier] [Notizen]
• SGNET: Eine tiefe Faltungs-DeCoder-Architektur für Imagesmentierung (2016): [Papier] [Notizen]
• ENET: Eine tiefe neuronale Netzwerkarchitektur für die Semantik in Echtzeit (2016): [Papier] [Notizen]
• Aufmerksamkeit auf Skala: skalbesichtige semantische Bildsegmentierung (2016): [Papier] [Notizen]
• Deeptlab: Semantische Bildsegmentierung mit DCNN, ATOR CURPS und CRFS (2016): [Papier] [Notizen]
• U-NET: Faltungsnetzwerke für die biomedizinische Bildsegmentierung (2015): [Papier] [Notizen]
• Vollständige Faltungsnetzwerke für die semantische Segmentierung (2015): [Papier] [Notizen]
• Hypercolumns für Objektsegmentierung und feinkörnige Lokalisierung (2015): [Papier] [Notizen]

Schwach- und semi-vortrimierte semantische Segmentierung

• Box-gesteuerte klassenweise Region Maskierung und Füllrate Guided Loss (2019): [Papier] [Notizen]
• Ficklenet: Schwach und semi-vorträglich semantische Segmentierung unter Verwendung stochastischer Inferenz (2019): [Papier] [Notizen]
• Schwach überprüftes semantisches Segmentierungsnetzwerk mit tief ausgesetzten Region (2018): [Papier] [Notizen]
• Semantische Affinität auf Pixel-Ebene mit Überwachung auf Bildebene (2018): [Papier] [Notizen]
• Objektregion Mining mit kontroversem Löschen (2018): [Papier] [Notizen]
• Überarbeitung erweiterter Faltung: Ein einfacher Ansatz für schwach und semi- beaufsichtigte Segmentierung (2018): [Papier] [Notizen]
• Sagen Sie mir, wo ich schauen soll: Guided Achtungsinferenznetzwerk (2018): [Papier] [Notizen]
• Semi überwachte semantische Segmentierung mit generativem kontroversem Netzwerk (2017): [Papier] [Notizen]
• Entkoppeltes tiefes neuronales Netzwerk für semi-vortrimierte semantische Segmentierung (2015): [Papier] [Notizen]
• Schwach- und semi-vortrimiertes Lernen eines DCNN für semantische Bildsegmentierung (2015): [Papier] [Notizen]

Informationsabruf

• VSE ++: Verbesserung der visuell-semantischen Einbettungen mit harten Negativen (2018): [Papier] [Notizen]

Grafik Neurales Netzwerk

• Pixel zu Diagrammen von Associative Embedding (2017): [Papier] [Notizen]
• Assoziative Einbettung: End-to-End-Lernen für die Erkennung und Gruppierung (2017): [Papier] [Notizen]
• Interaktionsnetzwerke zum Erlernen von Objekten, Beziehungen und Physik (2016): [Papier] [Notizen]
• Deepwalk: Online -Lernen der sozialen Repräsentation (2014): [Papier] [Notizen]
• Das Grafikmodell für neuronale Netzwerke (2009): [Papier] [Notizen]

Regularisierung

• Verteilermischung: Bessere Darstellungen durch Interpolieren versteckter Zustände (2018): [Papier] [Notizen]

Deep -Lernmethoden und Modelle

• Autoaugment (2018): [Papier] [Notizen]
• Stapeled HOGGLOASS (2017): [Papier] [Notizen]

Dokumentanalyse und Segmentierung

• DHSEGMENT: Ein generischer Tiefenlernansatz für die Dokumentsegmentierung (2018): [Papier] [Notizen]
• Lernen, semantische Struktur aus Dokumenten mit multimodalem, vollständig faltungslosen neuronalen Netzwerken zu extrahieren (2017): [Papier] [Notizen]
• Seitensegmentierung für historische handgeschriebene Dokumentbilder unter Verwendung von bedingten Zufallsfeldern (2016): [Papier] [Notizen]
• ICDAR 2015 Wettbewerb zur Erkennung von Textlinien in historischen Dokumenten (2015): [Papier] [Notizen]
• Handschriftliche Segmentierung der Textlinie mit vollständigem Faltungsnetzwerk (2017): [Papier] [Notizen]
• Tiefe neuronale Netzwerke für große Vokabeln handgeschriebene Texterkennung (2015): [Papier] [Notizen]
• Seitensegmentierung historischer Dokumentbilder mit Faltungsautoencodern (2015): [Papier] [Notizen]