so

NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

比较新的文章，先占个坑，大概看了看，将目前比较火的对比表征学习和半监督结合起来了，感觉上很牛逼的样子

这是Salesforce在今年年初出的一篇关于半监督学习的文章被ICLR 2020收录，目前还保持在SOTA状态。文章主要做了两点工作：• 提出了一个co-divide方法。• 利用label co-refinement 和co-guessing 改善之前的谷歌提出的MixMatch方法1.co-divide方法大概思路：同时训练两个网络，让每个网络在样本损失分布上去拟合GMM模型，并利用GMM模型，将训练数据分为标签数据和未标签数据,co-divide 使前面分的标签与未标签数据分别在

CAM:https://arxiv.org/abs/1512.04150Grad-CAM：https://arxiv.org/pdf/1610.02391v1.pdfGrad-CAM++:https://arxiv.org/abs/1710.11063最近看了网上很多关于这三篇解读的文章，但是对于一个“CAM新人“来说，还是遇到了很多疑惑。下面总结几点：1.CAM能让我们对CN...

还是Google research出品论文：https://arxiv.org/abs/2001.07685官方代码：https://github.com/google-research/fixmatch主要贡献：（A+B=C的操作）1.主要结合了pseudo label和 consistency regularization（两种数据增强方式实现） 方法。2.在cifar1...

来源：https://arxiv.org/pdf/1912.08766.pdf官方代码：https://github.com/uizard-technologies/realmix主要贡献：1.在cifar10数据集上仅仅只利用每类250个标签数据实现了sota(error rate:9.79%)2.在标签数据和无标签数据完全 mismatch的情况下，依然能够surpass b...

论文地址：https://arxiv.org/pdf/1904.12848v4.pdf官方实现代码（tensorflow):https://github.com/google-research/uda同样来自于谷歌的，偶然看到的，关于无监督数据增强方法文章主要在三种任务上进行了相关实验：文本分类、图像分类、迁移学习创新点：监督学习中的数据增强方法在半监督学习中同样可以用来对无标...

最近刚出的paper，来自于谷歌大脑：https://arxiv.org/pdf/1907.09595.pdf动机：为了探索到底多大的kernel size 能够实现高的准确率？通过做了一个以深度可分离卷积 在MobeilNet上为基准的实验不同的网络最好结果对应着不同的kernel size.。large kernel size can capture more deta...

论文地址：https://arxiv.org/abs/1901.05602该论文创新点：1.提出了一个TCP (Total Pairwise Confusion) loss 用来增加CNN的泛化能力。2.将FDA( Fast Domain Adaptation)整合到CNN中，以减轻domain changes 带来的影响。3.提出了一个多任务学习方式，即用一个CNN同时完成活体检...