ML paper notes

ML论文

该回购包含我遇到的一些与ML相关论文的注释和简短摘要，由受试者组织，摘要是PDF的形式。

自我监督和对比度学习

• 代表学习的自我监督关系推理（2020）：[纸] [注释]
• 大型自我监督模型是强大的半监督学习者（2020）[纸] [注释]
• 对比度学习（2020）[纸] [注]
• 自拍照：图像嵌入的自我监督预读（2019）：[纸] [注释]
• 自我监督的表示形式通过旋转特征解耦学习（2019年）：[纸] [注释]
• 重新审视自我监督的视觉表示学习（2019年）：[纸] [注释]
• AET与AED：通过自动编码转换的无监督表示学习（2019）：[纸] [注释]
• 通过知识转移来提高自我监督的学习（2018年）：[纸] [注释]
• 通过学习发现工件的自我监督特征学习（2018）：[纸] [注释]
• 通过预测图像旋转（2018）：[纸] [注释]，无监督的表示学习学习
• 跨像素光流的相似性用于自我监督学习（2018）：[纸] [注释]
• 多任务自我监督视觉学习（2017）：[纸] [注释]
• 跨脑自动编码器：跨通道预测的无监督学习（2017）：[纸] [注释]
• 着色作为视觉理解的代理任务（2017）：[纸] [注释]
• 通过求解拼图拼图（2017）：[纸] [注释]，无监督的视觉表示形式学习
• 无监督的视觉表示通过上下文预测学习（2016年）：[纸] [注释]
• 彩色图像着色（2016）：[纸] [注释]
• 从时空的共发生中学习视觉群体（2015年）：[纸] [注释]
• 歧视性无监督的特征学习与示例性卷积神经网络（2015）：[纸] [注释]

半监督学习

• 半监督学习中的负抽样（2020）：[纸] [注释]
• 半监督学习的时间一致的自学（2020年）：[纸] [注释]
• 双重学生：在半监督学习中打破老师的局限性（2019年）：[纸] [注释]
• S4L：自我监督的半监督学习（2019年）：[纸] [注释]
• 通过增强分配对齐方式进行半监督学习（2019年）：[纸] [注释]
• MixMatch：一种整体方法Tosemi-Cumensupised Learning（2019）：[纸] [注释]
• 无监督的数据增强（2019年）：[纸] [注释]
• 半监督学习的插值一致性培训（2019年）：[纸] [注释]
• 半监督图像识别的深度共同训练（2018）：[纸] [注释]
• Mixup（2019）统一半监督和强大的学习：[纸] [注释]
• 深度半监督学习算法的现实评估（2018）：[纸] [注释]
• 通过跨视图训练（2018）的半监督序列建模：[纸] [注释]
• 虚拟对手培训（2017年）：[纸] [注释]
• 平均教师是更好的榜样（2017年）：[纸] [注释]
• 半监督学习的时间结合（2017年）：[纸] [注释]
• 梯子网络的半监督学习（2015）：[纸] [注释]

视频理解

• 多尺度视觉变压器（2021）：[纸] [注释]
• Vivit视频视觉变压器（2021）：[纸] [注释]
• 时空混合注意视频变压器（2021）：[纸] [注释]
• 是时空的关注您所需的视频理解所需的一切（2021）：[纸] [注释]
• 图像值为16x16单词，什么是视频的价值（2021）：[纸] [注释]
• 用于细粒度视频理解的时间查询网络（2021）：[纸] [注释]
• X3D扩展体系结构以进行有效的视频识别（2020）：[纸] [注释]
• 暂时金字塔网络用于行动识别（2020）：[纸] [注释]
• STM时空和运动编码以进行动作识别（2019）：[纸] [注释]
• 带有渠道分离的卷积网络（2019）的视频分类：[纸] [注释]
• 使用相关网络的视频建模（2019）：[纸] [注释]
• 视频作为时空区域图（2018）：[纸] [注释]
• 视频识别的慢速网络（2018）：[纸] [注释]
• TSM时间换档模块以进行有效的视频理解（2018年）：[纸] [注释]
• 复杂行动识别时间的时间对象（2018）：[纸] [注释]
• 非本地神经网络（2017）：[纸] [注释]
• 时间细分网络在视频中进行动作识别。 （2017）：[纸] [注释]
• Quo Vadis Action识别一个新模型和动力学数据集（2017）：[Paper] [注释]
• 仔细研究行动识别时时空卷积（2017）：[纸] [注释]
• Action Vlad学习时空分类时空聚合（2017）：[纸] [注释]
• 视频动作识别的时空残留网络（2016）：[纸] [注释]
• 深度时间线性编码网络（2016）：[纸] [注释]
• 时间卷积网络用于行动分割和检测（2016）：[纸] [注释]
• 3D卷积网络（2014）学习时空特征：[纸] [注释]

域的适应，域和分布概括

• 重新思考基于分布匹配的域的适应性（2020）：[纸] [注释]
• 可转让性与可区分性：批处理光谱惩罚（2019年）：[纸] [注释]
• 关于域适应的学习不变表示（2019）：[纸] [注释]
• 通用域改编（2019）：[纸] [注释]
• 可转移的对抗训练（2019年）：[纸] [注释]
• 多反对域改编（2018）：[纸] [注释]
• 条件对抗领域适应（2018）：[纸] [注释]
• 学习对手公平，可转移的表示（2018）：[纸] [注释]
• 重要的权重在深度学习中是什么影响？ （2018）：[纸] [注释]

解释性

• 旨在解释和缓解NLU模型的快捷方式学习行为（2021）：[纸] [注释]
• 变压器可解释性超出注意力可视化（2020）：[纸] [注释]
• 哪些形状具有探索数据集体系结构和培训的表示形式（2020）：[纸] [注释]
• 基于注意力的辍学层，用于弱监督的对象本地化（2019年）：[纸] [注释]
• 注意不是解释（2019年）：[纸] [注释]
• SmoothGrad通过添加噪声消除噪声（2017）：[纸] [注释]
• 深网的公理归因（2017）：[纸] [注释]
• 注意分支网络：学习视觉解释的注意机制（2019）：[纸] [注释]
• 提高注意力的关注：通过注意转移提高CNN的性能（2016）：[纸] [注释]

自然语言处理（NLP）

• 预训练，提示和预测：对自然语言处理中提示方法的系统调查（2021）：[纸] [注释]
• 无监督的数据增强，没有幼稚的增强，而没有未标记的数据（2020）：[纸] [注释]
• 预先训练的语言模型微调的监督对比学习（2021）：[纸] [注释]
• Bert和PALS：多任务学习中有效适应的预计注意层（2020）：[纸] [注释]
• FreelB：增强的自然语言理解的对抗性训练（2020）：[纸] [注释]
• MixText：半监督文本分类的语言信息插值（2020）：[Paper] [注释]

生成建模

• 从像素（2020）的生成预测：[纸] [注释]
• 生成对抗网络的一致性正则化（2020）：[纸] [注释]

无监督的学习

• 无监督图像分类和细分的不变信息聚类（2019）：[纸] [注释]
• 无监督的视觉特征学习深度聚类（2018）：[纸] [注释]

语义细分

• DeepLabv3+：具有抗分解卷积的编码器（2018）：[纸] [注释]
• 大型内核物质，通过全球卷积网络改善语义细分（2017）：[纸] [注释]
• 了解语义细分的卷积（2018）：[纸] [注释]
• 重新考虑语义图像细分的Artous卷积（2017）：[纸] [注释]
• 炼油者：高分辨率语义细分的多路细化网络（2017）：[纸] [注释]
• 金字塔场景解析网络（2017）：[纸] [注释]
• Segnet：Imagessementation的深度卷积式编码器架构（2016）：[纸] [注释]
• ENET：实时语义细分的深度神经网络体系结构（2016）：[纸] [注释]
• 注意规模：量表感知语义图像分段（2016年）：[纸] [注释]
• DeepLab：使用DCNN，Artous Convs和CRFS（2016）的语义图像分割：[Paper] [注释]
• U-NET：生物医学图像分割的卷积网络（2015）：[纸] [注释]
• 语义细分的完全卷积网络（2015年）：[纸] [注释]
• 物体分割和细粒度本地化的超柱（2015）：[纸] [注释]

弱和半监督语义分段

• 框驱动的班级区域掩盖和填充率指导损失（2019年）：[纸] [注释]
• Ficklenet：使用随机推理（2019）弱和半监督的语义分割（2019）：[纸] [注释]
• 弱监督的语义分割网络，深层种子区域生长（2018）：[纸] [注释]
• 学习像素级语义亲和力与图像级监督（2018）：[纸] [注释]
• 对象区域采矿，具有对抗性擦除（2018）：[纸] [注释]
• 重新审视扩张的卷积：一种简单的方法，用于弱和半监督分段（2018年）：[纸] [注释]
• 告诉我在哪里看：引导注意力推理网络（2018）：[纸] [注释]
• 使用生成对抗网络（2017）的半监督语义细分：[纸] [注释]
• 半监督语义细分的深度神经网络（2015）：[纸] [注释]
• DCNN的语义图像分割的DCNN的弱和半监督学习（2015年）：[纸] [注释]

信息检索

• VSE ++：用硬否负面的改进视觉语义嵌入（2018）：[纸] [注释]

图神经网络

• Associative Embedding（2017）的图形像素：[纸] [注释]
• 协会嵌入：端到端学习前跨检测和分组（2017）：[纸] [注释]
• 用于学习对象，关系和物理学的交互网络（2016）：[纸] [注释]
• 深条小径：社会代表的在线学习（2014年）：[纸] [注释]
• 图神经网络模型（2009）：[纸] [注释]

正则化

• 歧管混音：通过插值隐藏状态（2018）：[纸] [注释]更好的表示形式

深度学习方法和模型

• Autoaughment（2018）：[纸] [注释]
• 堆叠的小时glo虫（2017）：[纸] [注释]

文档分析和细分

• DHEMENGEM：文档细分的通用深度学习方法（2018）：[纸] [注释]
• 学习使用多模式完全卷积神经网络从文档中提取语义结构（2017）：[纸] [注]
• 使用条件随机字段（2016）的历史手写文档图像的页面细分：[纸] [注释]
• ICDAR 2015年历史文档中的文本线检测竞赛（2015年）：[纸] [注释]
• 使用完全卷积网络（2017）的手写文本行细分：[纸] [注释]
• 大型词汇手写文本识别的深神经网络（2015）：[纸] [注释]
• 使用卷积自动编码器（2015）的历史文档图像的页面细分：[纸] [注释]