qq_43257640的博客

无监督的视觉常识特征学习：VC RNN文章来源：https://arxiv.org/pdf/2002.12204.pdf作者先讲了一堆普通人可能没接触过的概念，看英文可能比较难看懂（其实就是贝叶斯网络的那一套）直接看作者中文解释吧Here...

小样本视频识别:e2e文章来源：https://arxiv.org/pdf/2003.01455.pdfMotivation实际应用中获得视频的标签代价是高昂的，然而目前已经有丰富的视频识别训练集。可以在已有的训练集上训练再作迁移。小样本视频识别一般可分两种，一是测试视频已知但测试标签未知，二是测试视频和标签都未知。本文探讨的是后一种。不论哪种，训练样本的标签应该和测试样本的标签不重合，但是很多文章都做不到这一点。Previous work之前小样本视频识别方法：给一个测试视频x，和测试标签集

ATSS文章标题：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection本文做的三个工作都值得玩味：1，anchor based和 anchor free的本质区别是如何定义正负训练样本2，提出了ATSS模块用于自动选择正负训练样本3，每点只需一个anchor即可Essential Difference以achor based的代表Reti

反伪造：Face X-ray文章来源：https://arxiv.org/pdf/1912.13458.pdfIntuition大部分的人脸伪造算法都具有相同的步骤：将一个修改后的人脸图像放在另一个背景图像中，如下图所示而这两张图像由于采集或生成方式的不同，某些性质可能有差异，如果成功检测出这些差异，不仅可以判断人脸是否是伪造的，还可以确定图像融合的边界。下图展示了伪造人脸和背景两个指标的不同。fomula人脸融合的公式如下其中IM是融合后的图像，IF是前景图像，IB是背景图像，M

轻量网络：GhostNetIntuition1， CNN的特征图往往含有冗余的信息2，冗余的信息可能是网络表现好的关键3，这些冗余的信息可以通过更简单的计算得到下图列举了三组相似的特征图，每组两张。可以通过简单的线性计算使其中一张特征图转换为另一张Network设s张特征图可以分为一组。则每组只需一张特征图(暂称为标准特征图)由普通的方式得到，其他的可以用这一张特征图再做卷积(不带激活层)得到。设输入特征图c×h×wc\times h \times wc×h×w,输出特征图n×h′×w′