ML paper notes

Papiers ML

Ce repo contient des notes et des résumés courts de certains articles liés à la ML que je rencontre, organisés par des sujets et les résumés sont sous la forme de PDF.

Apprentissage auto-supervisé et contrasté

• Raisonnement relationnel auto-supervisé pour l'apprentissage de la représentation (2020): [document] [Notes]
• Les grands modèles auto-supervisés sont des apprenants semi-supervisés puissants (2020) [document] [Notes]
• Apprentissage contrastif débias (2020) [document] [Notes]
• Selfie: pré-formation auto-supervisé pour intégrer l'image (2019): [papier] [Notes]
• Représentation auto-supervisée Learning by Rotation Feature Decoupling (2019): [Paper] [Notes]
• Revisiter l'apprentissage de la représentation visuelle auto-supervisée (2019): [document] [Notes]
• AET vs AED: Représentation non supervisée Apprentissage par transformations automatique (2019): [papier] [Notes]
• Boosting d'apprentissage auto-levé par le transfert de connaissances (2018): [papier] [Notes]
• Apprentissage des fonctionnalités auto-supervisées par Learning to Spot Artefacts (2018): [Paper] [Notes]
• Apprentissage de représentation non supervisée en prédisant les rotations d'images (2018): [papier] [Notes]
• Cross Pixel Optical-Flow similitude pour l'apprentissage auto-supervisé (2018): [Paper] [Notes]
• Apprentissage visuel auto-supervisé multi-tâches (2017): [papier] [Notes]
• Autoencodeurs à cerveau fendu: apprentissage non supervisé par Prédiction transversale (2017): [Paper] [Notes]
• La colorisation en tant que tâche proxy pour la compréhension visuelle (2017): [papier] [Notes]
• Apprentissage non supervisé des représentations visuelles en résolvant des puzzles de puzzle (2017): [papier] [Notes]
• Représentation visuelle non supervisée Apprentissage par Context Prediction (2016): [document] [Notes]
• Colorisation d'image colorée (2016): [papier] [Notes]
• Apprendre des groupes visuels des cooccurrences dans l'espace et le temps (2015): [papier] [Notes]
• Apprentissage discriminant des fonctionnalités non supervisées avec des réseaux de neurones convolutionnels exemplaires (2015): [papier] [Notes]

Apprentissage semi-supervisé

• Échantillonnage négatif dans l'apprentissage semi-supervisé (2020): [papier] [Notes]
• Self-Supervision à l'abri pour l'apprentissage semi-supervisé (2020): [Paper] [Notes]
• Double Élève: Breaking the Limits of the Teacher in Semi-Supervised Learning (2019): [Paper] [Notes]
• S4L: Apprentissage semi-supervisé auto-supervisé (2019): [papier] [Notes]
• Apprentissage semi-supervisé par l'alignement de la distribution augmentée (2019): [document] [Notes]
• MixMatch: A Approche holistique Apprentissage en tosemi-supervisé (2019): [Paper] [Notes]
• Augmentation des données non supervisées (2019): [document] [Notes]
• Formation de cohérence d'interpolation pour l'apprentissage semi-supervisé (2019): [document] [Notes]
• Co-formation en profondeur pour la reconnaissance de l'image semi-supervisée (2018): [papier] [Notes]
• Unification d'apprentissage semi-supervisé et robuste par Mixup (2019): [papier] [Notes]
• Évaluation réaliste des algorithmes d'apprentissage semi-supervisés profonds (2018): [papier] [Notes]
• Modélisation de séquences semi-supervisées avec formation en vision transversale (2018): [document] [Notes]
• Formation adversaire virtuelle (2017): [papier] [Notes]
• Les enseignants moyens sont de meilleurs modèles de rôle (2017): [papier] [Notes]
• Ensemble temporel pour l'apprentissage semi-supervisé (2017): [papier] [Notes]
• Apprentissage semi-supervisé avec les réseaux d'échelle (2015): [papier] [Notes]

Compréhension vidéo

• Transformateurs de vision à plusieurs échelles (2021): [papier] [Notes]
• Vivit A Video Vision Transformateur (2021): [Paper] [Notes]
• Mélange d'espace-temps pour le transformateur vidéo (2021): [papier] [Notes]
• Est l'attention de l'espace-temps tout ce dont vous avez besoin pour la compréhension vidéo (2021): [papier] [Notes]
• Une image vaut 16x16 mots Qu'est-ce qu'une vidéo vaut (2021): [papier] [Notes]
• Réseaux de requête temporelle pour la compréhension vidéo à grain fin (2021): [papier] [Notes]
• Les architectures en expansion X3D pour une reconnaissance vidéo efficace (2020): [papier] [Notes]
• Réseau de pyramide temporel pour la reconnaissance d'action (2020): [papier] [Notes]
• STM Spatioemporal et Motion Encoding for Action Recognition (2019): [Paper] [Notes]
• Classification vidéo avec réseaux convolutionnels séparés par chaîne (2019): [papier] [Notes]
• Modélisation vidéo avec Corrélation Networks (2019): [papier] [Notes]
• Vidéos en tant que graphiques de la région spatiale (2018): [papier] [Notes]
• Slowfast Networks for Video Reconnaissance (2018): [papier] [Notes]
• Module de décalage temporel TSM pour une compréhension vidéo efficace (2018): [papier] [notes]
• TimeCection for Complex Action Recognition (2018): [Paper] [Notes]
• Réseaux de neurones non locaux (2017): [document] [Notes]
• Réseaux de segments temporels pour la reconnaissance d'action dans les vidéos. (2017): [papier] [Notes]
• Reconnaissance d'action quo vadis Un nouveau modèle et l'ensemble de données cinétique (2017): [papier] [Notes]
• Un examen plus approfondi des convolutions spatio-temporelles pour la reconnaissance d'action (2017): [papier] [Notes]
• Actionvlad Learning Spatio-temporel Aggrégation for Action Classification (2017): [Paper] [Notes]
• Réseaux résiduels spatio-temporels pour la reconnaissance de l'action vidéo (2016): [papier] [Notes]
• Networks de codage linéaire temporel profond (2016): [papier] [Notes]
• Réseaux de convolution temporelle pour la segmentation et la détection des actions (2016): [document] [Notes]
• Apprentissage des fonctionnalités spatio-temporelles avec un réseau convolutionnel 3D (2014): [papier] [Notes]

Adaptation du domaine, Généralisation du domaine et de la distribution

• Repenser l'adaptation du domaine basé sur la correspondance distributionnelle (2020): [papier] [Notes]
• Transférabilité vs discriminabilité: pénalisation spectrale par lots (2019): [papier] [Notes]
• Sur l'apprentissage des représentations invariantes pour l'adaptation du domaine (2019): [papier] [Notes]
• Adaptation universelle du domaine (2019): [papier] [Notes]
• Formation adversaire transférable (2019): [document] [Notes]
• Adaptation du domaine multi-adversarial (2018): [papier] [Notes]
• Adaptation du domaine adversaire conditionnel (2018): [papier] [Notes]
• Apprentissage des représentations de manière adversaire et transférable (2018): [document] [Notes]
• Quel est l'effet de la pondération d'importance dans l'apprentissage en profondeur? (2018): [papier] [Notes]

Explicabilité

• Vers l'interprétation et l'atténuation du comportement d'apprentissage des raccourcis des modèles NLU (2021): [papier] [Notes]
• Interprétabilité du transformateur au-delà de la visualisation de l'attention (2020): [papier] [Notes]
• Ce qui façonne des représentations de fonctionnalités explorant les architectures et la formation des ensembles de données (2020): [papier] [Notes]
• Couche d'abandon basée sur l'attention pour la localisation d'objets faiblement supervisée (2019): [papier] [Notes]
• L'attention n'est pas une explication (2019): [papier] [Notes]
• Smoothrad Retrosing Noise en ajoutant du bruit (2017): [papier] [Notes]
• Attribution axiomatique pour les réseaux profonds (2017): [papier] [Notes]
• Réseau de branche d'attention: apprentissage du mécanisme d'attention pour l'explication visuelle (2019): [papier] [notes]
• Prendre plus d'attention à l'attention: améliorer les performances des CNN via le transfert d'attention (2016): [papier] [Notes]

Traitement du langage naturel (PNL)

• Pré-Train, invite et prédire: une étude systématique des méthodes d'incitation dans le traitement du langage naturel (2021): [papier] [Notes]
• Augmentation des données non supervisées avec augmentation naïve et sans données non marquées (2020): [papier] [Notes]
• Apprentissage contrastif supervisé pour le modèle de modélisation de langue pré-formée (2021): [papier] [Notes]
• Bert et Pals: Couches d'attention projetées pour une adaptation efficace dans l'apprentissage multi-tâches (2020): [papier] [Notes]
• Freelb: formation accusatrice améliorée pour la compréhension du langage naturel (2020): [document] [Notes]
• MixText: Interpolation linguistiquement informée pour la classification du texte semi-supervisé (2020): [papier] [Notes]

Modélisation générative

• Generative Pretoring from Pixels (2020): [papier] [Notes]
• Régie de cohérence pour les réseaux adversaires génératifs (2020): [papier] [Notes]

Apprentissage non surveillé

• Clustering d'informations invariantes pour la classification et la segmentation des images non supervisées (2019): [papier] [Notes]
• Clustering profond pour l'apprentissage non supervisé de la fonctionnalité visuelle (2018): [papier] [Notes]

Segmentation sémantique

• DeepLabv3 +: Encodeur-décodeur avec une convolution séparable atrous (2018): [papier] [Notes]
• Grande matière de noyau, améliorer la segmentation sémantique par Global Convolutional Network (2017): [Paper] [Notes]
• Comprendre la convolution de la segmentation sémantique (2018): [papier] [Notes]
• Repenser la convolution atrous pour la segmentation sémantique de l'image (2017): [papier] [notes]
• REFINENET: Réseaux de raffinement multipath pour la segmentation sémantique haute résolution (2017): [papier] [notes]
• Pyramid Scene Parsing Network (2017): [papier] [Notes]
• Segnet: A Deep ConvolutionAncoder-Deccoder Architecture for Imageseegmentation (2016): [Paper] [Notes]
• ENET: Une architecture de réseau neuronal profond pour la segmentation sémantique en temps réel (2016): [papier] [Notes]
• Attention à l'échelle: Segmentation d'image sémantique consacrée à l'échelle (2016): [papier] [Notes]
• DeepLab: Segmentation sémantique d'image avec DCNN, ATROUS CONVS et CRFS (2016): [Paper] [Notes]
• U-NET: Réseaux convolutionnels pour la segmentation biomédicale de l'image (2015): [papier] [Notes]
• Réseaux entièrement convolutionnels pour la segmentation sémantique (2015): [document] [Notes]
• Hypercolumns pour la segmentation des objets et la localisation à grains fins (2015): [papier] [Notes]

Segmentation sémantique faible et semi-supervise

• Région de classe de classe basée sur des boîtes de masquage et de remplissage Guide de taux (2019): [Paper] [Notes]
• Ficklenet: Segmentation sémantique faible et semi-supervisée à l'aide de l'inférence stochastique (2019): [papier] [Notes]
• Réseau de segmentation sémantique faiblement supervisée avec région de semis profonde (2018): [papier] [Notes]
• Apprendre l'affinité sémantique au niveau des pixels avec la supervision au niveau de l'image (2018): [papier] [Notes]
• Exploitation de la région d'objet avec effacement adversaire (2018): [papier] [Notes]
• Revisiter la convolution dilatée: une approche simple pour la segmentation faible et semi-supervisée (2018): [papier] [Notes]
• Dites-moi où regarder: Guided Attention Inference Network (2018): [papier] [Notes]
• Segmentation sémantique semi-supervisée utilisant un réseau adversaire génératif (2017): [papier] [Notes]
• Réseau de neurones profonds découplé pour la segmentation sémantique semi-supervisée (2015): [papier] [Notes]
• Apprentissage faiblement et semi-supervisé d'un DCNN pour la segmentation sémantique d'images (2015): [papier] [Notes]

Récupération d'informations

• VSE ++: Amélioration des intérêts visuels-sémantiques avec des négatifs durs (2018): [papier] [Notes]

Réseau de neurones graphiques

• Pixels to Graphs by Associative Embedding (2017): [papier] [Notes]
• Associatif Incorporation: apprentissage de bout en bout pour la détection et le groupement (2017): [document] [Notes]
• Réseaux d'interaction pour apprendre les objets, les relations et la physique (2016): [document] [Notes]
• Deepwalk: Apprentissage en ligne de la représentation sociale (2014): [papier] [Notes]
• Le modèle de réseau neuronal graphique (2009): [papier] [Notes]

Régularisation

• Mifold Mixup: Better Représentations par Interpolating Hidden States (2018): [Paper] [Notes]

Méthodes et modèles d'apprentissage en profondeur

• AutoAugment (2018): [papier] [Notes]
• Hourgloass empilé (2017): [papier] [Notes]

Analyse et segmentation des documents

• Dhsegment: une approche générique d'apprentissage en profondeur pour la segmentation des documents (2018): [document] [Notes]
• Apprendre à extraire la structure sémantique à partir de documents utilisant des réseaux neuronaux entièrement convolutionnels multimodaux (2017): [papier] [Notes]
• Segmentation des pages pour les images de documents manuscrits historiques utilisant des champs aléatoires conditionnels (2016): [papier] [Notes]
• Concours ICDAR 2015 sur la détection de la ligne de texte dans les documents historiques (2015): [document] [Notes]
• Segmentation manuscrite des lignes de texte en utilisant un réseau entièrement convolutionnel (2017): [papier] [Notes]
• Réseaux de neurones profonds pour un grand vocabulaire Reconnaissance de texte manuscrite (2015): [Paper] [Notes]
• Segmentation des pages des images de documents historiques avec des autoencoders convolutionnels (2015): [document] [Notes]