ML paper notes

ML PAPERS

Este repo contém notas e resumos curtos de alguns trabalhos relacionados à ML que encontro, organizados pelos sujeitos e os resumos estão na forma de PDFs.

Aprendizagem auto-supervisionada e contrastiva

• Raciocínio relacional auto-supervisionado para aprendizado de representação (2020): [Paper] [Notas]
• Os grandes modelos auto-supervisionados são fortes alunos semi-supervisionados (2020) [Paper] [Notas]
• Aprendizagem contrastiva em Debias (2020) [Paper] [Notas]
• Selfie: pré-treinamento auto-supervisionado para incorporação de imagem (2019): [Paper] [Notas]
• Aprendizagem de representação auto-supervisionada por desacoplamento do recurso de rotação (2019): [Paper] [Notas]
• Revisitando a representação visual auto-supervisionada Learning (2019): [Paper] [Notas]
• AET vs. AED: Aprendizagem de representação não supervisionada por transformações de codificação automática (2019): [Paper] [Notas]
• Aumentando a aprendizagem auto-supervisionada via transferência de conhecimento (2018): [Paper] [Notas]
• Aprendizagem de recursos auto-supervisionados aprendendo a identificar artefatos (2018): [Paper] [Notas]
• Aprendizagem de representação não supervisionada prevendo rotações de imagem (2018): [Paper] [Notas]
• Similaridade cruzada de fluxo óptico de pixels para aprendizado auto-supervisionado (2018): [Paper] [Notas]
• Aprendizagem visual auto-supervisionada de várias tarefas (2017): [Paper] [Notas]
• AutoEncoders de cérebro dividido: aprendizado não supervisionado por previsão de canais cruzados (2017): [Paper] [Notas]
• Colorização como uma tarefa de proxy para entendimento visual (2017): [Paper] [Notas]
• Aprendizagem não supervisionada de representações visuais resolvendo quebra -cabeças de quebra -cabeças (2017): [Paper] [Notas]
• Aprendizagem de representação visual não supervisionada por previsão de contexto (2016): [Paper] [Notas]
• Colorização colorida da imagem (2016): [Paper] [Notas]
• Aprendendo grupos visuais de co-ocorrências no espaço e no tempo (2015): [Paper] [Notas]
• Aprendizagem de recursos não supervisionados discriminativos com redes neurais convolucionais exemplares (2015): [Paper] [Notas]

Aprendizado semi-supervisionado

• Amostragem negativa em aprendizado semi-supervisionado (2020): [Paper] [Notas]
• Auto-supervisão consistente no tempo para aprendizado semi-supervisionado (2020): [Paper] [Notas]
• Aluno duplo: quebrando os limites do professor em aprendizado semi-supervisionado (2019): [Paper] [Notas]
• S4L: Aprendizagem semi-supervisionada auto-supervisionada (2019): [Paper] [Notas]
• Aprendizagem semi-supervisionada por alinhamento de distribuição aumentada (2019): [Paper] [Notas]
• MixMatch: Uma abordagem holística da aprendizagem supervisionada (2019): [Paper] [Notas]
• Aumentação de dados não supervisionados (2019): [Paper] [Notas]
• Treinamento de consistência da interpolação para aprendizado semi-supervisionado (2019): [Paper] [Notas]
• Co-treinamento profundo para reconhecimento de imagem semi-supervisionado (2018): [Paper] [Notas]
• Unificação de aprendizado semi-supervisionado e robusto por MixUp (2019): [Paper] [Notas]
• Avaliação realista de algoritmos de aprendizagem semi-supervisionados profundos (2018): [Paper] [Notas]
• Modelagem de sequência semi-supervisionada com treinamento de visão cruzada (2018): [Paper] [Notas]
• Treinamento adversário virtual (2017): [Paper] [Notas]
• Os professores médios são melhores modelos (2017): [Paper] [Notas]
• Conjunto temporal para aprendizado semi-supervisionado (2017): [Paper] [Notas]
• Aprendizagem semi-supervisionada com redes de escada (2015): [Paper] [Notas]

Entendimento de vídeo

• Transformadores de visão em várias escalas (2021): [Paper] [Notas]
• Vivit A Video Vision Transformer (2021): [Paper] [Notas]
• Mistura de espaço para o espaço para o transformador de vídeo (2021): [Paper] [Notas]
• É atenção no espaço-tempo tudo o que você precisa para entender o vídeo (2021): [Paper] [Notas]
• Uma imagem vale 16x16 palavras, o que é um vídeo (2021): [Paper] [Notas]
• Redes de consulta temporal para entendimento em vídeo de granulação fina (2021): [Paper] [Notas]
• X3D Arquiteturas em expansão para reconhecimento de vídeo eficiente (2020): [Paper] [Notas]
• Rede de pirâmide temporal para reconhecimento de ação (2020): [Paper] [Notas]
• STM SPATIOTemporal e Motion Ecoding for Action Reconhecimento (2019): [Paper] [Notas]
• Classificação de vídeo com redes convolucionais separadas pelo canal (2019): [Paper] [Notas]
• Modelagem de vídeo com redes de correlação (2019): [Paper] [Notas]
• Vídeos como gráficos da região do espaço-tempo (2018): [Paper] [Notas]
• Redes SlowFast for Video Reconhecimento (2018): [Paper] [Notas]
• Módulo de mudança temporal do TSM para compreensão de vídeo eficiente (2018): [Paper] [Notas]
• Timecepção para reconhecimento de ação complexa (2018): [Paper] [Notas]
• Redes neurais não locais (2017): [Paper] [Notas]
• Redes de segmento temporal para reconhecimento de ação em vídeos. (2017): [Paper] [Notas]
• RECONHECIMENTO DE AÇÃO QUO VADIS Um novo modelo e o conjunto de dados da Cinetics (2017): [Paper] [Notas]
• Um olhar mais atento às convoluções espaço -temporais para reconhecimento de ação (2017): [Paper] [Notas]
• Ação de Ação de Ação de Aprendizagem de Agregação Esporal para Ação Classificação (2017): [Paper] [Notas]
• Redes residuais espaço -temporais para reconhecimento de ação em vídeo (2016): [Paper] [Notas]
• Redes de codificação linear temporal profunda (2016): [Paper] [Notas]
• Redes convolucionais temporais para segmentação e detecção de ação (2016): [Paper] [Notas]
• Aprendendo recursos espaço -temporais com Rede Convolucional 3D (2014): [Paper] [Notas]

Adaptação de domínio, domínio e generalização fora da distribuição

• Repensando a adaptação de domínio baseada em correspondência distributiva (2020): [Paper] [Notas]
• Transferibilidade vs. Discriminabilidade: Penalização Espectral em Lote (2019): [Paper] [Notas]
• Sobre o aprendizado de representações invariantes para adaptação de domínio (2019): [Paper] [Notas]
• Adaptação de domínio universal (2019): [Paper] [Notas]
• Treinamento adversário transferível (2019): [Paper] [Notas]
• Adaptação de domínio multi-adversário (2018): [Paper] [Notas]
• Adaptação do domínio adversário condicional (2018): [Paper] [Notas]
• Aprendendo representações adversárias e transferíveis (2018): [Paper] [Notas]
• Qual é o efeito da importância da ponderação no aprendizado profundo? (2018): [Paper] [Notas]

Explicação

• Para interpretar e atenuar o comportamento de aprendizado de atalho dos modelos NLU (2021): [Paper] [Notas]
• Interpretabilidade do transformador Além da visualização da atenção (2020): [Paper] [Notas]
• O que formas representações de recursos explorando arquiteturas e treinamento de conjuntos de dados (2020): [Paper] [Notas]
• Camada de abandono baseado em atenção para localização de objetos fracamente supervisionados (2019): [Paper] [Notas]
• Atenção não é explicação (2019): [Paper] [Notas]
• SmoothGrad Removing ruído adicionando ruído (2017): [Paper] [Notas]
• Atribuição axiomática para redes profundas (2017): [Paper] [Notas]
• Rede de Filial Atenção: Aprendizagem do Mecanismo de Atenção para Explicação Visual (2019): [Paper] [Notas]
• Prestando mais atenção à atenção: melhorando o desempenho dos CNNs via transferência de atenção (2016): [Paper] [Notas]

Processamento de linguagem natural (NLP)

• Pré-treino, prompt e prever: uma pesquisa sistemática de métodos de solicitação no processamento de linguagem natural (2021): [Paper] [Notas]
• Aumentação de dados não supervisionados com aumento ingênuo e sem dados não marcados (2020): [Paper] [Notas]
• Aprendizagem contrastiva supervisionada para o modelo de idioma pré-treinado ajuste fino (2021): [Paper] [Notas]
• Bert e PALS: Camadas de atenção projetadas para adaptação eficiente na aprendizagem de várias tarefas (2020): [Paper] [Notas]
• Freelb: Treinamento adversário aprimorado para compreensão da linguagem natural (2020): [Paper] [Notas]
• Mixtext: Interpolação informada linguística para classificação de texto semi-supervisionada (2020): [Paper] [Notas]

Modelagem generativa

• Pré -treinamento generativo de pixels (2020): [Paper] [Notas]
• Regularização da consistência para redes adversárias generativas (2020): [Paper] [Notas]

Aprendizado não supervisionado

• Cluster de informações invariantes para classificação e segmentação de imagens não supervisionadas (2019): [Paper] [Notas]
• Cluster profundo para aprendizado não supervisionado sobre o recurso visual (2018): [Paper] [Notas]

Segmentação semântica

• DEEPLABV3+: Encoder-Decoder com convolução separável atrossa (2018): [Paper] [Notas]
• Grande matéria do kernel, melhore a segmentação semântica da Global Convolucional Network (2017): [Paper] [Notas]
• Entendendo a convolução da segmentação semântica (2018): [Paper] [Notas]
• Repensando a convolução atromosa para segmentação de imagem semântica (2017): [Paper] [Notas]
• Refinenet: Redes de refinamento com vários caminhos para segmentação semântica de alta resolução (2017): [Paper] [Notas]
• Pirâmide Scene Parsing Network (2017): [Paper] [Notas]
• Segnet: Uma profunda arquitetura convolucionAncoder-Decoder for Imagesegmentation (2016): [Paper] [Notas]
• ENET: Uma arquitetura de rede neural profunda para segmentação semântica em tempo real (2016): [Paper] [Notas]
• Atenção à escala: segmentação de imagem semântica com reconhecimento de escala (2016): [Paper] [Notas]
• Deeplab: Segmentação de Imagem Semântica com DCNN, ATROSS CONVS e CRFS (2016): [Paper] [Notas]
• U-Net: Redes convolucionais para segmentação de imagem biomédica (2015): [Paper] [Notas]
• Redes totalmente convolucionais para segmentação semântica (2015): [Paper] [Notas]
• Hipercolunas para segmentação de objetos e localização de granulação fina (2015): [Paper] [Notas]

Segmentação semântica fraca e semi-supervisionada

• Perda de máscara e preenchimento da taxa de preenchimento e taxa de preenchimento de classe acionada por caixa (2019): [Paper] [Notas]
• Ficklenet: Segmentação semântica fraca e semi-supervisionada usando inferência estocástica (2019): [Paper] [Notas]
• Rede de segmentação semântica fracamente supervisionada com o crescimento da região profunda (2018): [Paper] [Notas]
• Aprendendo a afinidade semântica no nível do pixel com a supervisão no nível da imagem (2018): [Paper] [Notas]
• Região de objetos Mineração com apagamento adversário (2018): [Paper] [Notas]
• Revisitando a convolução dilatada: uma abordagem simples para segmentação fracamente e semi-supervisionada (2018): [Paper] [Notas]
• Diga -me onde procurar: Atenção Guiada Rede de Inferência (2018): [Paper] [Notas]
• Segmentação semântica semi -supervisionada usando rede adversária generativa (2017): [Paper] [Notas]
• Rede neural profunda desacoplada para segmentação semântica semi-supervisionada (2015): [Paper] [Notas]
• Aprendizagem fraca e semi-supervisionada de um DCNN para segmentação de imagem semântica (2015): [Paper] [Notas]

Recuperação de informações

• VSE ++: Melhorando incorporações visuais-semânticas com negativos fortes (2018): [Paper] [Notas]

Rede neural gráfica

• Pixels para gráficos de incorporação associativa (2017): [Paper] [Notas]
• Incorporação Associativa: Detecção e Grupo de Aprendizagem de Aprendizagem de ponta a ponta (2017): [Paper] [Notas]
• Redes de interação para aprender sobre objetos, relações e física (2016): [Paper] [Notas]
• Deepwalk: aprendizado on -line sobre representação social (2014): [Paper] [Notas]
• O modelo de rede neural do gráfico (2009): [Paper] [Notas]

Regularização

• Mistura da variedade: melhores representações interpolando os estados ocultos (2018): [Paper] [Notas]

Métodos e modelos de aprendizado profundo

• Autoaugment (2018): [Paper] [Notas]
• Pilhado Hourgloass (2017): [Paper] [Notas]

Análise e segmentação de documentos

• DHSEGEM: Uma abordagem genérica de aprendizado profundo para segmentação de documentos (2018): [Paper] [Notas]
• Aprendendo a extrair estrutura semântica de documentos usando redes neurais multimodais totalmente convolucionais (2017): [Paper] [Notas]
• Segmentação da página para imagens de documentos manuscritos históricos usando campos aleatórios condicionais (2016): [Paper] [Notas]
• ICDAR 2015 Competition on Text Line Detection in Historical Documents (2015): [Paper] [Notas]
• Segmentação da linha de texto manuscrita usando rede totalmente convolucional (2017): [Paper] [Notas]
• Redes neurais profundas para grande reconhecimento de texto manuscrito de vocabulário (2015): [Paper] [Notas]
• Segmentação da página de imagens de documentos históricos com autoencoders convolucionais (2015): [Paper] [Notas]