ML paper notes

ML論文

該回購包含我遇到的一些與ML相關論文的註釋和簡短摘要，由受試者組織，摘要是PDF的形式。

自我監督和對比度學習

• 代表學習的自我監督關係推理（2020）：[紙] [註釋]
• 大型自我監督模型是強大的半監督學習者（2020）[紙] [註釋]
• 對比度學習（2020）[紙] [注]
• 自拍照：圖像嵌入的自我監督預讀（2019）：[紙] [註釋]
• 自我監督的表示形式通過旋轉特徵解耦學習（2019年）：[紙] [註釋]
• 重新審視自我監督的視覺表示學習（2019年）：[紙] [註釋]
• AET與AED：通過自動編碼轉換的無監督表示學習（2019）：[紙] [註釋]
• 通過知識轉移來提高自我監督的學習（2018年）：[紙] [註釋]
• 通過學習發現工件的自我監督特徵學習（2018）：[紙] [註釋]
• 通過預測圖像旋轉（2018）：[紙] [註釋]，無監督的表示學習學習
• 跨像素光流的相似性用於自我監督學習（2018）：[紙] [註釋]
• 多任務自我監督視覺學習（2017）：[紙] [註釋]
• 跨腦自動編碼器：跨通道預測的無監督學習（2017）：[紙] [註釋]
• 著色作為視覺理解的代理任務（2017）：[紙] [註釋]
• 通過求解拼圖拼圖（2017）：[紙] [註釋]，無監督的視覺表示形式學習
• 無監督的視覺表示通過上下文預測學習（2016年）：[紙] [註釋]
• 彩色圖像著色（2016）：[紙] [註釋]
• 從時空的共發生中學習視覺群體（2015年）：[紙] [註釋]
• 歧視性無監督的特徵學習與示例性卷積神經網絡（2015）：[紙] [註釋]

半監督學習

• 半監督學習中的負抽樣（2020）：[紙] [註釋]
• 半監督學習的時間一致的自學（2020年）：[紙] [註釋]
• 雙重學生：在半監督學習中打破老師的局限性（2019年）：[紙] [註釋]
• S4L：自我監督的半監督學習（2019年）：[紙] [註釋]
• 通過增強分配對齊方式進行半監督學習（2019年）：[紙] [註釋]
• MixMatch：一種整體方法Tosemi-Cumensupised Learning（2019）：[紙] [註釋]
• 無監督的數據增強（2019年）：[紙] [註釋]
• 半監督學習的插值一致性培訓（2019年）：[紙] [註釋]
• 半監督圖像識別的深度共同訓練（2018）：[紙] [註釋]
• Mixup（2019）統一半監督和強大的學習：[紙] [註釋]
• 深度半監督學習算法的現實評估（2018）：[紙] [註釋]
• 通過跨視圖訓練（2018）的半監督序列建模：[紙] [註釋]
• 虛擬對手培訓（2017年）：[紙] [註釋]
• 平均教師是更好的榜樣（2017年）：[紙] [註釋]
• 半監督學習的時間結合（2017年）：[紙] [註釋]
• 梯子網絡的半監督學習（2015）：[紙] [註釋]

視頻理解

• 多尺度視覺變壓器（2021）：[紙] [註釋]
• Vivit視頻視覺變壓器（2021）：[紙] [註釋]
• 時空混合注意視頻變壓器（2021）：[紙] [註釋]
• 是時空的關注您所需的視頻理解所需的一切（2021）：[紙] [註釋]
• 圖像值為16x16單詞，什麼是視頻的價值（2021）：[紙] [註釋]
• 用於細粒度視頻理解的時間查詢網絡（2021）：[紙] [註釋]
• X3D擴展體系結構以進行有效的視頻識別（2020）：[紙] [註釋]
• 暫時金字塔網絡用於行動識別（2020）：[紙] [註釋]
• STM時空和運動編碼以進行動作識別（2019）：[紙] [註釋]
• 帶有渠道分離的捲積網絡（2019）的視頻分類：[紙] [註釋]
• 使用相關網絡的視頻建模（2019）：[紙] [註釋]
• 視頻作為時空區域圖（2018）：[紙] [註釋]
• 視頻識別的慢速網絡（2018）：[紙] [註釋]
• TSM時間換檔模塊以進行有效的視頻理解（2018年）：[紙] [註釋]
• 複雜行動識別時間的時間對象（2018）：[紙] [註釋]
• 非本地神經網絡（2017）：[紙] [註釋]
• 時間細分網絡在視頻中進行動作識別。 （2017）：[紙] [註釋]
• Quo Vadis Action識別一個新模型和動力學數據集（2017）：[Paper] [註釋]
• 仔細研究行動識別時時空卷積（2017）：[紙] [註釋]
• Action Vlad學習時空分類時空聚合（2017）：[紙] [註釋]
• 視頻動作識別的時空殘留網絡（2016）：[紙] [註釋]
• 深度時間線性編碼網絡（2016）：[紙] [註釋]
• 時間卷積網絡用於行動分割和檢測（2016）：[紙] [註釋]
• 3D卷積網絡（2014）學習時空特徵：[紙] [註釋]

域的適應，域和分佈概括

• 重新思考基於分佈匹配的域的適應性（2020）：[紙] [註釋]
• 可轉讓性與可區分性：批處理光譜懲罰（2019年）：[紙] [註釋]
• 關於域適應的學習不變表示（2019）：[紙] [註釋]
• 通用域改編（2019）：[紙] [註釋]
• 可轉移的對抗訓練（2019年）：[紙] [註釋]
• 多反對域改編（2018）：[紙] [註釋]
• 條件對抗領域適應（2018）：[紙] [註釋]
• 學習對手公平，可轉移的表示（2018）：[紙] [註釋]
• 重要的權重在深度學習中是什麼影響？ （2018）：[紙] [註釋]

解釋性

• 旨在解釋和緩解NLU模型的快捷方式學習行為（2021）：[紙] [註釋]
• 變壓器可解釋性超出注意力可視化（2020）：[紙] [註釋]
• 哪些形狀具有探索數據集體系結構和培訓的表示形式（2020）：[紙] [註釋]
• 基於注意力的輟學層，用於弱監督的對象本地化（2019年）：[紙] [註釋]
• 注意不是解釋（2019年）：[紙] [註釋]
• SmoothGrad通過添加噪聲消除噪聲（2017）：[紙] [註釋]
• 深網的公理歸因（2017）：[紙] [註釋]
• 注意分支網絡：學習視覺解釋的注意機制（2019）：[紙] [註釋]
• 提高注意力的關注：通過注意轉移提高CNN的性能（2016）：[紙] [註釋]

自然語言處理（NLP）

• 預訓練，提示和預測：對自然語言處理中提示方法的系統調查（2021）：[紙] [註釋]
• 無監督的數據增強，沒有幼稚的增強，而沒有未標記的數據（2020）：[紙] [註釋]
• 預先訓練的語言模型微調的監督對比學習（2021）：[紙] [註釋]
• Bert和PALS：多任務學習中有效適應的預計注意層（2020）：[紙] [註釋]
• FreelB：增強的自然語言理解的對抗性訓練（2020）：[紙] [註釋]
• MixText：半監督文本分類的語言信息插值（2020）：[Paper] [註釋]

生成建模

• 從像素（2020）的生成預測：[紙] [註釋]
• 生成對抗網絡的一致性正則化（2020）：[紙] [註釋]

無監督的學習

• 無監督圖像分類和細分的不變信息聚類（2019）：[紙] [註釋]
• 無監督的視覺特徵學習深度聚類（2018）：[紙] [註釋]

語義細分

• DeepLabv3+：具有抗分解卷積的編碼器（2018）：[紙] [註釋]
• 大型內核物質，通過全球卷積網絡改善語義細分（2017）：[紙] [註釋]
• 了解語義細分的捲積（2018）：[紙] [註釋]
• 重新考慮語義圖像細分的Artous卷積（2017）：[紙] [註釋]
• 煉油者：高分辨率語義細分的多路細化網絡（2017）：[紙] [註釋]
• 金字塔場景解析網絡（2017）：[紙] [註釋]
• Segnet：Imagessementation的深度卷積式編碼器架構（2016）：[紙] [註釋]
• ENET：實時語義細分的深度神經網絡體系結構（2016）：[紙] [註釋]
• 注意規模：量表感知語義圖像分段（2016年）：[紙] [註釋]
• DeepLab：使用DCNN，Artous Convs和CRFS（2016）的語義圖像分割：[Paper] [註釋]
• U-NET：生物醫學圖像分割的捲積網絡（2015）：[紙] [註釋]
• 語義細分的完全卷積網絡（2015年）：[紙] [註釋]
• 物體分割和細粒度本地化的超柱（2015）：[紙] [註釋]

弱和半監督語義分段

• 框驅動的班級區域掩蓋和填充率指導損失（2019年）：[紙] [註釋]
• Ficklenet：使用隨機推理（2019）弱和半監督的語義分割（2019）：[紙] [註釋]
• 弱監督的語義分割網絡，深層種子區域生長（2018）：[紙] [註釋]
• 學習像素級語義親和力與圖像級監督（2018）：[紙] [註釋]
• 對象區域採礦，具有對抗性擦除（2018）：[紙] [註釋]
• 重新審視擴張的捲積：一種簡單的方法，用於弱和半監督分段（2018年）：[紙] [註釋]
• 告訴我在哪裡看：引導注意力推理網絡（2018）：[紙] [註釋]
• 使用生成對抗網絡（2017）的半監督語義細分：[紙] [註釋]
• 半監督語義細分的深度神經網絡（2015）：[紙] [註釋]
• DCNN的語義圖像分割的DCNN的弱和半監督學習（2015年）：[紙] [註釋]

信息檢索

• VSE ++：用硬否負面的改進視覺語義嵌入（2018）：[紙] [註釋]

圖神經網絡

• Associative Embedding（2017）的圖形像素：[紙] [註釋]
• 協會嵌入：端到端學習前跨檢測和分組（2017）：[紙] [註釋]
• 用於學習對象，關係和物理學的交互網絡（2016）：[紙] [註釋]
• 深條小徑：社會代表的在線學習（2014年）：[紙] [註釋]
• 圖神經網絡模型（2009）：[紙] [註釋]

正則化

• 歧管混音：通過插值隱藏狀態（2018）：[紙] [註釋]更好的表示形式

深度學習方法和模型

• Autoaughment（2018）：[紙] [註釋]
• 堆疊的小時glo蟲（2017）：[紙] [註釋]

文檔分析和細分

• DHEMENGEM：文檔細分的通用深度學習方法（2018）：[紙] [註釋]
• 學習使用多模式完全卷積神經網絡從文檔中提取語義結構（2017）：[紙] [注]
• 使用條件隨機字段（2016）的歷史手寫文檔圖像的頁面細分：[紙] [註釋]
• ICDAR 2015年曆史文檔中的文本線檢測競賽（2015年）：[紙] [註釋]
• 使用完全卷積網絡（2017）的手寫文本行細分：[紙] [註釋]
• 大型詞彙手寫文本識別的深神經網絡（2015）：[紙] [註釋]
• 使用卷積自動編碼器（2015）的歷史文檔圖像的頁面細分：[紙] [註釋]