蒲建建

图像恢复任务要求在恢复图像时在空间细节和高级上下文信息之间达成复杂的平衡。

目录介绍网络框架数据集准备创新点损失函数训练和测试过程实验结论介绍网络框架数据集准备L（训练集）分为support set和Query set，对于第i次任务，K ways和N images随机从Lc中选择，建立成S（测试集，与L没有类别重合）创新点损失函数训练和测试过程实验结论...

1

国内外优秀的计算机视觉团队汇总：https://github.com/extreme-assistant/Awesome-CV-Team

transformer模型起初被提出于2017年google的《Attention ls All you Need》中。论文路径：[pdf]transformer完全抛弃了CNN，RNN模型结构。起初主要应用在自然语言处理中，后面逐渐应用到了计算机视觉中。仅仅通过注意力机制（self-attention）和前向神经网络（Feed Forward Neural Network），不需要使用序列对齐的循环架构就实现了较好的performance 。（1）摒弃了RNN的网络结构模式，其能够很好的并行运

学习目录：https://pan.baidu.com/disk/home?_at_=1609558598634#/all?vmode=list&path=%2F2.%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0%2F%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E7%A0%94%E7%A9%B6%2F%E6%95%B0%E6%8D%AE%E9%9B%86

深度神经网络训练有哪些必知技巧？https://www.sohu.com/a/152638910_468740

卷积神经网络中有很多执行不同功能的层结构，同时也有很多参数需要学习。其中池化层（包括空间金字塔池化层）、reshape层、softmax层是没有需要学习的参数的，下面我将会盘点CNN中的所有参数。卷积层卷积层是CNN的核心，其参数则是卷积核的权值以及各通道的偏置量。其中权值的梯度需要使用反卷积获得，偏置量的梯度则是对应通道的误差之和。全连接层全连接层的参数同样也是权值和偏置量。其中权值的梯度是上一层的输出和当前层误差转置的积，而各通道的偏置量则也是对应通道的误差。BatchNorm层

从2018年年中开始，香港中文大学多媒体实验室（MMLab）就启动了OpenMMLab（https://github.com/open-mmlab）计划。这项计划的初衷是为计算机视觉的一些重要方向建立统一而开放的代码库，并不断把新的算法沉淀其中。我们相信，这一项工作可以推动可复现算法生态的建立，也是对计算机视觉社区的重要贡献。主要项目包括：目标检测-mmdetection，OpenMMLab Detection Toolbox and Benchmark. 图像分割-mmsegmentati.

MSRA：微软亚洲研究院FAIR：Facebook AI ResearchFAIR的铁三角（Ross, Kaiming, Piotr)

后面补上

作为一款跨平台框架，MediaPipe 不仅可以被部署在服务器端，更可以在多个移动端 （安卓和苹果 iOS）和嵌入式平台（Google Coral 和树莓派）中作为设备端机器学习推理 （On-device Machine Learning Inference）框架...

Trevor Darrell (https://www2.eecs.berkeley.edu/Faculty/Homepages/darrell.html) on the faculty of the CS Division at UC BerkeleyBernt Schiele (https://www.mpi-inf.mpg.de/departments/computer-vision-and-machine-learning/people/bernt-schiele/) Max-Planck-Di

什么是注意力机制？ 深度学习中的注意力机制和人类视觉的注意力机制类似，就是在众多信息中把注意力集中放在重点的点上，选出关键信息，而忽略其他不重要的信息。

图像分类目标检测小样本图像分类小样本目标检测xio'a'y