深度学习论文阅读计划(超级天坑,待填)

写在前面

本文总结了自己在深度学习领域读过的一点论文,链接了自己或他人写的一些论文笔记也包含了对将来制定的论文阅读计划。将阅读笔记整理在一起是为了能融会贯通,力求梳理出统一解决某一类问题的技巧或思想,也为了成全自己在成长道路上的“满足感”。欢迎沟通, 与君共勉。


Table of Contents

写在前面

简要汇总

trick

轻量网络

 CNN经典结构

目标检测算法

人脸识别算法

视频处理算法

图像对抗算法

详细汇总

trick

分类网络训练技巧

目标检测训练技巧

轻量型网络

轻量型网络综述

squeezenet

shufflenet

mobilenet

xception

经典CNN结构

inception系列综述

人脸识别

人脸识别发展综述

人脸识别loss综述

目标检测

one-stage

two-stage

anchor-free

提问


 简要汇总

本章节以表格形式进行论文汇总归档,记录了论文阅读难度评级、论文中我记下来立马能想到的几个要点,以及阅读和做笔记的状态。

trick

主题论文标题难度评级要点是否读过是否做笔记
trickBag of Tricks for Image Classification with Convolutional Neural Networkseasy

1. 训练过程、模型结构、数据的一些trick

2. 低精度、大batch; 1乘1卷积的stide; label smoothing和cosine learning rate decay

\checkmark\times


Bag of Freebies for Training Object Detection Neural Networks

  \times\times

轻量网络

主题论文标题难度评级要点是否读过是否做笔记
轻量网络

SqueezeNet

SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size

    

MobileNet

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

    

ShuffleNet

ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices

    

Xception

Xception: Deep Learning with Depthwise Separable Convolutions

    
      

 CNN经典结构

主题论文标题难度评级要点是否读过是否做笔记
CNN经典结构

inception

v1:

v2:

v3:

    

resnet

Deep Residual Learning for Image Recognition

    
     
     

目标检测算法

主题论文标题难度评级要点是否读过是否做笔记
 YOLO系列    
目标检测算法Faster R-CNN系列    
 SSD    
      
anchor free     
      
      
      

人脸识别算法

人脸识别真的是个深坑,各种loss层出不穷

主题论文标题难度评级要点是否读过是否做笔记
人脸识别算法

DeepFace

DeepFace: Closing the Gap to Human-Level Performance in Face Verification

    

DeepID 系列

    

FaceNet(Triplet Loss)

FaceNet: A Unified Embedding for Face Recognition and Clustering [Florian Schroff et al., 2015]

    

SphereFace(A-Softmax)

    

ArcFace

    
各种lossContrastive Loss    

Center loss

A Discriminative Feature Learning Approach for Deep Face Recognition [Yandong Wen et al., 2016]

    

L-Softmax

    
      
      

视频处理算法

主题论文标题难度评级要点是否读过是否做笔记
 C3D    
 P3D    
 TSN    
      

图像对抗算法

主题论文标题难度评级要点是否读过是否做笔记
      
      
      
      

 

 

 

详细汇总

trick

分类网络训练技巧

  • Bag of Tricks for Image Classification with Convolutional Neural Networks

链接:https://arxiv.org/abs/1812.01187

摘要:训练分类网络时一些trick,主要从训练过程、模型结构两方面展开,也包含了一些数据方面的细节。

笔记:待写

他人笔记参考:

知乎专栏博客

目标检测训练技巧

  • Bag of Freebies for Training Object Detection Neural Networks

链接:https://arxiv.org/abs/1902.04103

摘要:目标检测的trick

笔记:待写

他人笔记参考:

知乎专栏博客

轻量型网络

轻量型网络综述

博客1

squeezenet

shufflenet

mobilenet

xception

经典CNN结构

inception系列综述

博客1

人脸识别

人脸识别发展综述

https://zhuanlan.zhihu.com/p/36416906

https://zhuanlan.zhihu.com/p/24816781

人脸识别loss综述

  • 参考资料:

https://zhuanlan.zhihu.com/p/34404607

https://zhuanlan.zhihu.com/p/34436551

https://zhuanlan.zhihu.com/p/34717205

目标检测

真的是深坑,更新实在太快了

  • 论文合集
链接描述
https://github.com/hoya012/deep_learning_object_detection根据年份分类
  
  • 论文+代码实现
链接描述
https://github.com/amusi/awesome-object-detection根据模型系列分,并且有代码实现
  

one-stage

two-stage

anchor-free

  • DenseBox
  • YOLO
  • CornerNet
  • ExtremeNet
  • FSAF
  • FCOS
  • FoveaBox

提问

问题解答
anchor-free和one-stage等同吗? 
  

 

 

 

 

 

 

### 改善存在严重问题或低效代码的方法 #### 评估现有代码的质量 为了有效改善存在问题或者低效的代码,首先要进行全面而系统的代码审查。这不仅有助于识别当前实现中的缺陷和不足之处,而且能够促进团队内部的知识共享和技术交流[^1]。 #### 应用高效的数据结构与算法 针对特定功能模块中存在的性能瓶颈,可以尝试引入更加合适的数据结构或是优化现有的算法逻辑。例如,在处理大量数据时选用哈希表而非列表来存储键值对;当面对复杂的查询需求时,则可能需要构建索引机制以加速检索过程。此外,对于循环体内的重复计算部分应当予以简化甚至重构为一次性预处理操作,从而降低整体复杂度并提高运行速度[^2]。 #### 实施并发编程策略 如果应用程序中有许多独立的任务可以在不同时间段内完成而不互相干扰的话,那么就可以考虑采用多线程或多进程的方式来进行并行化改造。特别是那些I/O密集型的工作负载——比如文件读写、网络请求发送接收等场景下,非阻塞式的异步调用模式往往能带来显著的效果提升,因为它允许程序在等待外部资源响应的同时继续执行其他任务而不是处于闲置状态浪费CPU周期。 #### 定期开展代码审核活动 建立持续性的代码评审制度也是保障长期高质量编码不可或缺的一环。通过这种方式不仅可以及时捕捉到新产生的错误倾向,还能够在一定程度上预防未来可能出现的风险隐患。更重要的是它营造了一个积极向上的学习氛围,促使每位参与者都能从中受益匪浅。 ```python import asyncio async def fetch_data(url): print(f"Fetching {url}") await asyncio.sleep(1) # Simulate network delay return f"data from {url}" async def main(): urls = ["http://example.com", "http://another-example.org"] tasks = [fetch_data(url) for url in urls] results = await asyncio.gather(*tasks) print(results) if __name__ == "__main__": asyncio.run(main()) ``` 上述Python脚本展示了如何利用`asyncio`库创建简单的协程函数,并借助于`gather()`方法同时发起多个HTTP GET请求,以此达到提高效率的目的。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值