ML paper notes

ML Papers

Этот репо содержит примечания и краткие резюме некоторых связанных с ML документов, с которыми я сталкиваюсь, организованные субъектами, а резюме находятся в форме PDF.

Самоотверженное и контрастное обучение

• Самоподобные реляционные рассуждения для обучения представительства (2020): [Paper] [Примечания]
• Большие самоотверженные модели-это сильные полузащитные учащиеся (2020) [Paper] [Примечания]
• Debiased Contrastive Learning (2020) [Paper] [Примечания]
• Селфи: самоотверженная предварительная подготовка для встраивания изображений (2019): [Paper] [Примечания]
• Самоподобное обучение представлений по поводу ротационной функции развязки (2019): [Paper] [Примечания]
• Повторное самоуверенное обучение визуальному представлению (2019): [Paper] [Примечания]
• AET против AED: неконтролируемое представление обучение с помощью автоматических преобразований (2019): [Paper] [Примечания]
• Увеличение самоподдерживания обучения посредством передачи знаний (2018): [Paper] [Примечания]
• Самоподобное обучение функциям, обучение на то, чтобы выявлять артефакты (2018): [Paper] [Примечания]
• Обучение неконтролируемому представлению путем прогнозирования ротации изображений (2018): [Paper] [Примечания]
• Сходство с оптическим потоком Cross Pixel для самоотверженного обучения (2018): [Paper] [Примечания]
• Многозадачное самоуверенное визуальное обучение (2017): [Paper] [Примечания]
• AutoEncoders Split-Brain: неконтролируемое обучение с помощью межканального прогноза (2017): [Paper] [Примечания]
• Раскращение как прокси -задача для визуального понимания (2017): [Paper] [Примечания]
• Неконтролируемое изучение визуальных представлений путем решения головоломок (2017): [Paper] [Примечания]
• Обучение визуальному представлению без присмотра по прогнозированию контекста (2016): [Paper] [Примечания]
• Красочная раскращение изображений (2016): [бумага] [Примечания]
• Изучение визуальных групп из совместных веществ в пространстве и времени (2015): [Paper] [Примечания]
• Дискриминационное неконтролируемое обучение функции с примерными сверточными нейронными сетями (2015): [Paper] [Примечания]

Полуопервизированное обучение

• Отрицательная выборка в полупрофильном обучении (2020): [бумага] [Примечания]
• Постоянное самоосужение для полупрофильного обучения (2020): [Paper] [Примечания]
• Двойной студент: разбивая границы учителя в полупрофильном обучении (2019): [Paper] [Примечания]
• S4L: самоотверженное полуоттрагиваемое обучение (2019): [Paper] [Примечания]
• Полубезопасное обучение с помощью дополненного выравнивания распределения (2019): [Paper] [Примечания]
• MixMatch: целостный подход, подлежащий обучению Tosemi, (2019): [Paper] [Примечания]
• Неконтролируемое увеличение данных (2019): [Paper] [Примечания]
• Обучение по согласованности интерполяции для полупрофильного обучения (2019): [Paper] [Примечания]
• Глубокое совместное обучение для полуоттрагиваемого распознавания изображений (2018): [Paper] [Примечания]
• Объединение полузащитного и надежного обучения с помощью Mixup (2019): [Paper] [Примечания]
• Реалистичная оценка глубоких полупроницаемых алгоритмов обучения (2018): [Paper] [Примечания]
• Полупроницаемое моделирование последовательностей с помощью кросс-просмотра (2018): [Paper] [Примечания]
• Виртуальное состязательное обучение (2017): [Paper] [Примечания]
• Средние учителя являются лучшими образцами для подражания (2017): [Paper] [Примечания]
• Временное ансамблирование полупроницаемого обучения (2017): [Paper] [Примечания]
• Полубегаемое обучение с Ladder Networks (2015): [Paper] [Примечания]

Видео понимание

• MultiScale Vision Transformers (2021): [Paper] [Примечания]
• Vivit A Video Vision Transformer (2021): [Paper] [Примечания]
• Пространственное время смешивание для видео трансформатора (2021): [бумага] [Примечания]
• Внимание в пространство все, что вам нужно для понимания видео (2021): [Paper] [Примечания]
• Изображение стоит 16x16 слов, что стоит видео (2021): [Paper] [Примечания]
• Временные сети запросов для мелкозернистого понимания видео (2021): [Paper] [Примечания]
• X3D Расширяющиеся архитектуры для эффективного распознавания видео (2020): [Paper] [Примечания]
• Сеть височной пирамиды для распознавания действий (2020): [статья] [Примечания]
• STM -пространственно -временная и кодировка движения для распознавания действий (2019): [Paper] [Примечания]
• Классификация видео с разделенными каналами сверточные сети (2019): [Paper] [Примечания]
• Моделирование видео с корреляционными сетями (2019): [Paper] [Примечания]
• Видео как графики пространственно-временного региона (2018): [Paper] [Примечания]
• Медленные сети для распознавания видео (2018): [Paper] [Примечания]
• TSM Temporal Shift Module для эффективного понимания видео (2018): [Paper] [Примечания]
• Срока для распознавания сложного действия (2018): [Paper] [Примечания]
• Нелокальные нейронные сети (2017): [Paper] [Примечания]
• Сети временных сегментов для распознавания действий в видео. (2017): [Paper] [Примечания]
• Признание действий Quo Vadis Новая модель и набор данных кинетики (2017): [Paper] [Примечания]
• Более внимательный взгляд на пространственно -временные свертыватели для распознавания действий (2017): [Paper] [Примечания]
• Actionvlad Learning Spatio-временную агрегацию для классификации действий (2017): [Paper] [Примечания]
• Пространственно -временные остаточные сети для распознавания видео (2016): [Paper] [Примечания]
• Глубокие временные линейные сети кодирования (2016): [Paper] [Примечания]
• Временные сверточные сети для сегментации и обнаружения действий (2016): [Paper] [Примечания]
• Обучение пространственно -временным функциям с 3D -сверточной сетью (2014): [Paper] [Примечания]

Адаптация домена, обобщение доменного и оборотного распределения

• Переосмысление дистрибутивной адаптации на основе доменов (2020): [Paper] [Примечания]
• Переносность против дискриминации: пакетная спектральная наказания (2019): [Paper] [Примечания]
• О обучении инвариантным представлениям для адаптации доменов (2019): [Paper] [Примечания]
• Универсальная доменная адаптация (2019): [Paper] [Примечания]
• Трансферный состязательный обучение (2019): [Paper] [Примечания]
• Адаптация с многоудасной областью (2018): [Paper] [Примечания]
• Условная адаптация домена состязания (2018): [статья] [Примечания]
• Обучение на состязании справедливые и передаваемые представления (2018): [Paper] [Примечания]
• Каково влияние веса о важности в глубоком обучении? (2018): [Paper] [Примечания]

Объяснение

• На пути к интерпретации и смягчению сочетания моделей NLU моделей NLU (2021): [Paper] [Примечания]
• Интерпретируемость трансформатора за пределами внимания визуализация (2020): [бумага] [Примечания]
• Что формируют представления, исследующие наборы данных Архитектуры и обучение (2020): [Paper] [Примечания]
• Основанный на внимании уровень отсева для слабо контролируемой локализации объектов (2019): [Paper] [Примечания]
• Внимание не объяснение (2019): [Paper] [Примечания]
• SmoothGrade Удаление шума путем добавления шума (2017): [Paper] [Примечания]
• Аксиоматическая атрибуция для глубоких сетей (2017): [статья] [Примечания]
• Внимание филиала: изучение механизма внимания для визуального объяснения (2019): [Paper] [Примечания]
• Уделение большего внимания к вниманию: улучшение производительности CNN с помощью передачи внимания (2016): [Paper] [Примечания]

Обработка естественного языка (NLP)

• Предварительный тренировки, быстро и прогнозируйте: систематический обзор методов подсказки в обработке естественного языка (2021): [Paper] [Примечания]
• Неконтролируемое увеличение данных с наивным увеличением и без немеченых данных (2020): [Paper] [Примечания]
• Контрольное контрастное обучение для предварительно обученной языковой модели тонкая настройка (2021): [Paper] [Примечания]
• БЕРТ И ПАЛАС: Прогнозируемые слои внимания для эффективной адаптации в многозадачном обучении (2020): [Paper] [Примечания]
• Freelb: улучшенная тренировка состязания для понимания естественного языка (2020): [Paper] [Примечания]
• Mixtext: лингвистически информированная интерполяция для полуотделенной текстовой классификации (2020): [Paper] [Примечания]

Генеративное моделирование

• Генеративная предварительная подготовка из пикселей (2020): [бумага] [Примечания]
• Ретаризация согласованности для генеративных состязательных сетей (2020): [статья] [Примечания]

Неконтролируемое обучение

• Инвариантная информация кластеризация для классификации и сегментации изображений без присмотра (2019): [Paper] [Примечания]
• Глубокая кластеризация для неконтролируемого изучения визуальной функции (2018): [Paper] [Примечания]

Семантическая сегментация

• DeepLabv3+: Encoder-Decoder с Atrous Scretabile Convolution (2018): [Paper] [Примечания]
• Большое ядро, улучшить семантическую сегментацию глобальной сверточной сетью (2017): [Paper] [Примечания]
• Понимание свертки для семантической сегментации (2018): [Paper] [Примечания]
• Переосмысление Atrous Confolrot для семантической сегментации изображений (2017): [Paper] [Примечания]
• RefineNet: сетей изысканности с несколькими путями для семантической сегментации высокого разрешения (2017): [Paper] [Примечания]
• Пирамидающая сцена сеть (2017): [Paper] [Примечания]
• SEGNET: глубокая архитектура DebolutyLencoder-Decoder для ImageSementation (2016): [Paper] [Примечания]
• ENET: архитектура глубокой нейронной сети для семантической сегментации в реальном времени (2016): [Paper] [Примечания]
• Внимание к масштабе: сегментация семантического изображения в масштабе (2016): [Paper] [Примечания]
• Deeplab: Семантическая сегментация изображений с DCNN, Atrous Crows and CRFS (2016): [Paper] [Примечания]
• U-Net: сверточные сети для сегментации биомедицинской изображения (2015): [Paper] [Примечания]
• Полностью сверточные сети для семантической сегментации (2015): [Paper] [Примечания]
• Гиперколоны для сегментации объектов и мелкозернистой локализации (2015): [Paper] [Примечания]

Слабо- и полупрозрачная семантическая сегментация

• Убыток по маскированию и ставке заполнения в области класса в классе (2019): [Paper] [Примечания]
• Ficklenet: Слабо и полузащиленная семантическая сегментация с использованием стохастического вывода (2019): [Paper] [Примечания]
• Слабо-подсудимая семантическая сегментационная сеть с глубоким растущим регионом (2018): [Paper] [Примечания]
• Семантическая аффинность на уровне пикселей обучения с надзором на уровне изображений (2018): [Paper] [Примечания]
• МАЙНАЛЬНАЯ ИНТЕРНИЧЕСКАЯ РАБОТА ОБОБОРУЮЩАЯ область с помощью состязательного стирания (2018): [Paper] [Примечания]
• Пересмотр расширенной свертки: простой подход к слабо- и полузащиленной сегментации (2018): [Paper] [Примечания]
• Скажите мне, где искать: сеть вывода с гидом (2018): [Paper] [Примечания]
• Семантическая сегментация с полузащитыми с использованием генеративной состязательной сети (2017): [Paper] [Примечания]
• Разрешенная глубокая нейронная сеть для полупрофильной семантической сегментации (2015): [Paper] [Примечания]
• Слабо- и полупрофильное изучение DCNN для семантической сегментации изображений (2015): [Paper] [Примечания]

Поиск информации

• VSE ++: Улучшение визуальных вторжений с жесткими негативами (2018): [Paper] [Примечания]

График нейронной сети

• Пиксели на графики от Associative Encedding (2017): [Paper] [Примечания]
• Ассоциативное внедрение: сквозное обучение по выявлению и группировке (2017): [Paper] [Примечания]
• Сети взаимодействия для изучения объектов, отношений и физики (2016): [Paper] [Примечания]
• DeepWalk: онлайн -обучение социального представительства (2014): [Paper] [Примечания]
• Модель нейронной сети графика (2009): [Paper] [Примечания]

Регуляризация

• Многообразие: лучшие представления путем интерполяции скрытых состояний (2018): [Paper] [Примечания]

Методы и модели глубокого обучения

• Autoaugment (2018): [Paper] [Примечания]
• Сложные песочные часы (2017): [Paper] [Примечания]

Анализ и сегментация документов

• DHSEGMENT: общий подход глубокого обучения для сегментации документов (2018): [Paper] [Примечания]
• Обучение извлечения семантической структуры из документов с использованием мультимодальных полностью сверточных нейронных сетей (2017): [Paper] [Примечания]
• Сегментация страницы для исторических изображений с рукописными документами с использованием условных случайных полей (2016): [Paper] [Примечания]
• Конкурс ICDAR 2015 по обнаружению текстовой линии в исторических документах (2015): [Paper] [Примечания]
• Рукописная сегментация текстовой линии с использованием полностью сверточной сети (2017): [Paper] [Примечания]
• Глубокие нейронные сети для большого словарного распознавания текста (2015): [Paper] [Примечания]
• Сегментация страниц исторических изображений документов с сверточными автоэкодорами (2015): [Paper] [Примечания]