【極市導(dǎo)讀】本文共匯總了從2020年4月至今的計(jì)算機(jī)視覺(jué)領(lǐng)域綜述性論文，共54篇，涵蓋圖像分割、?圖像識(shí)別、人臉識(shí)別/檢測(cè)、醫(yī)學(xué)影像、目標(biāo)檢測(cè)、3D方向（自動(dòng)駕駛/深度估計(jì)）、GAN、文本檢測(cè)與識(shí)別、姿態(tài)估計(jì)等14個(gè)研究方向。文末附所有論文打包下載。

圖像分割

【1】Unsupervised Domain Adaptation in Semantic Segmentation: a Review
標(biāo)題：語(yǔ)義分割中的無(wú)監(jiān)督自適應(yīng)研究進(jìn)展
作者：Marco Toldo, ?Pietro Zanuttigh
鏈接：https://arxiv.org/abs/2005.10876

【2】A survey of loss functions for semantic segmentation

標(biāo)題：語(yǔ)義分割損失函數(shù)綜述
作者：Shruti Jadon
鏈接：https://arxiv.org/abs/2006.14822

【3】A Survey on Instance Segmentation: State of the art

標(biāo)題：實(shí)例分割技術(shù)綜述
作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat
鏈接：https://arxiv.org/abs/2007.00047

人臉識(shí)別/檢測(cè)

【4】Deep Learning Based Single Sample Per Person Face Recognition: A Survey
標(biāo)題：基于深度學(xué)習(xí)的單樣本人臉識(shí)別研究綜述
作者：Delong Chen, ?Zewen Li
鏈接：https://arxiv.org/abs/2006.11395

【5】A survey of face recognition techniques under occlusion
標(biāo)題：遮擋下的人臉識(shí)別技術(shù)綜述
作者：Dan Zeng, ?Luuk Spreeuwers
鏈接：https://arxiv.org/abs/2006.11366

本文介紹了現(xiàn)有的面部識(shí)別方法如何解決遮擋問(wèn)題，并將其分為三類：1）遮擋魯棒特征提取方法；2）遮擋感知的面部識(shí)別方法；3）基于遮擋恢復(fù)的面部識(shí)別方法。共引用193篇文獻(xiàn)。

【6】Biometric Quality: Review and Application to Face Recognition with FaceQnet
標(biāo)題：生物特征質(zhì)量：FaceQnet在人臉識(shí)別中的應(yīng)用
作者：Javier Hernandez-Ortega, Laurent Beslay
鏈接：https://arxiv.org/abs/2006.03298

【7】Threat of Adversarial Attacks on Face Recognition: A Comprehensive ?Survey
標(biāo)題：對(duì)抗攻擊對(duì)人臉識(shí)別的威脅：綜述
作者：Fatemeh Vakhshiteh, ?Ahmad Nickabadi
鏈接：https://arxiv.org/abs/2007.11709

本文對(duì)針對(duì)人臉識(shí)別系統(tǒng)的對(duì)抗性攻擊進(jìn)行了全面研究，詳細(xì)闡述了針對(duì)這些系統(tǒng)的新對(duì)策，并根據(jù)不同的標(biāo)準(zhǔn)提出并比較了現(xiàn)有攻防策略的分類法。

【8】Cross-ethnicity Face Anti-spoofing Recognition Challenge: A Review
標(biāo)題：跨種族人臉?lè)雌垓_識(shí)別挑戰(zhàn)：綜述
作者：Ajian Liu, Stan Z. Li
鏈接：https://arxiv.org/abs/2004.10998

【9】The Creation and Detection of Deepfakes: A Survey
標(biāo)題：深度偽裝的產(chǎn)生與檢測(cè)：綜述
作者：Yisroel Mirsky, Wenke Lee
鏈接：https://arxiv.org/abs/2004.11138

圖像識(shí)別

【10】Visual Relationship Detection using Scene Graphs: A Survey
標(biāo)題：基于場(chǎng)景圖的視覺(jué)關(guān)系檢測(cè)研究綜述
作者：Aniket Agarwal, Vipul
鏈接：https://arxiv.org/abs/2005.08045

本文對(duì)場(chǎng)景圖生成的各種技術(shù)，它們表示視覺(jué)關(guān)系的效率以及如何用于解決各種下游任務(wù)的方法進(jìn)行了詳細(xì)的研究，并分析了該領(lǐng)域未來(lái)可能發(fā)展的各種未來(lái)方向。共引用95篇文獻(xiàn)。

【11】Deep learning for scene recognition from visual data: a survey
標(biāo)題：從視覺(jué)數(shù)據(jù)中進(jìn)行場(chǎng)景識(shí)別的深度學(xué)習(xí)：綜述
作者：Alina Matei, Estefania Talavera
鏈接：https://arxiv.org/abs/2007.01806

概述了可用于圖像和視頻場(chǎng)景識(shí)別的數(shù)據(jù)集、研究論文、集成技術(shù)。

【12】Automatic Target Recognition on Synthetic Aperture Radar Imagery: A ?Survey
標(biāo)題：合成孔徑雷達(dá)圖像目標(biāo)自動(dòng)識(shí)別綜述
作者：Kechagias-Stamatis
鏈接：https://arxiv.org/abs/2007.02106

軍事應(yīng)用的自動(dòng)目標(biāo)識(shí)別（ATR）是增強(qiáng)情報(bào)員和自主運(yùn)行的軍事平臺(tái)的核心過(guò)程。本文對(duì)當(dāng)前的SAR ATR體系結(jié)構(gòu)進(jìn)行調(diào)查和評(píng)估，采用SAR域中最受歡迎的數(shù)據(jù)集-移動(dòng)和固定目標(biāo)獲取與識(shí)別（MSTAR）數(shù)據(jù)集。提出了SAR ATR體系結(jié)構(gòu)的分類法，并比較了標(biāo)準(zhǔn)方法和擴(kuò)展操作條件下每種方法的優(yōu)缺點(diǎn)。共引用151篇文獻(xiàn)。

【13】Deep Learning for Change Detection in Remote Sensing Images: ?Comprehensive Review and Meta-Analysis
標(biāo)題：遙感圖像變化檢測(cè)的深度學(xué)習(xí)：綜合評(píng)述和Meta分析
作者：Lazhar Khelifi, ?Max Mignotte
鏈接：https://arxiv.org/abs/2006.05612

3D相關(guān)

【14】A Quick Review on Recent Trends in 3D Point Cloud Data Compression Techniques and the Challenges of Direct Processing in 3D Compressed Domain
標(biāo)題：回顧3D點(diǎn)云數(shù)據(jù)壓縮技術(shù)的最新趨勢(shì)和3D壓縮域中的挑戰(zhàn)
作者：Mohammed Javed, Pavan Chakraborty
鏈接：https://arxiv.org/abs/2007.05038

由于以3D點(diǎn)云形式（使用雷達(dá)）生成的數(shù)據(jù)量非常大，因此研究人員正設(shè)法發(fā)明新的數(shù)據(jù)壓縮算法來(lái)處理。壓縮域處理，即可以直接對(duì)壓縮數(shù)據(jù)進(jìn)行操作分析而不涉及解壓縮和重新壓縮的算法是新穎的。本文回顧了LiDAR生成3D點(diǎn)云數(shù)據(jù)壓縮域的最新進(jìn)展，并重點(diǎn)介紹3D點(diǎn)云數(shù)據(jù)壓縮域處理的未來(lái)挑戰(zhàn)。

【15】Autonomous Driving with Deep Learning: A Survey of State-of-Art Technologies
標(biāo)題：基于深度學(xué)習(xí)的自主駕駛：技術(shù)現(xiàn)狀綜述
作者：Yu Huang, Yue Chen
鏈接：https://arxiv.org/abs/2006.06091

本文研究了自動(dòng)駕駛系統(tǒng)的主要領(lǐng)域，如感知，映射和定位，預(yù)測(cè)，計(jì)劃和控制，仿真，V2X和安全性等。并重點(diǎn)分析2D和感知中的3D目標(biāo)檢測(cè)，攝像頭的深度估計(jì)，數(shù)據(jù)，特征和多傳感器融合等。共引用351篇文獻(xiàn)。

【16】Review on 3D Lidar Localization for Autonomous Driving Cars
標(biāo)題：自動(dòng)駕駛汽車三維激光雷達(dá)定位技術(shù)綜述
作者：Mahdi Elhousni, ?Xinming Huang
鏈接：https://arxiv.org/abs/2006.00648

【17】Deep Learning for LiDAR Point Clouds in Autonomous Driving: A Review
標(biāo)題：自主駕駛中LiDAR點(diǎn)云的深度學(xué)習(xí)：綜述
作者：Ying Li, Michael A. Chapman
鏈接：https://arxiv.org/abs/2005.09830

本文總結(jié)了最近五年的140多項(xiàng)關(guān)鍵貢獻(xiàn)，包括里程碑式3D深度架構(gòu)，在3D語(yǔ)義分割，目標(biāo)檢測(cè)和分類中出色的深度學(xué)習(xí)應(yīng)用程序；數(shù)據(jù)集，評(píng)估指標(biāo)和最新技術(shù)水平。共147篇文獻(xiàn)。

【18】Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A ?Review
標(biāo)題：自動(dòng)駕駛中圖像與點(diǎn)云融合的深度學(xué)習(xí)：綜述
作者：Yaodong Cui, ?Dongpu Cao
鏈接：https://arxiv.org/abs/2004.05224

本文致力于回顧最近利用圖像和點(diǎn)云的基于深度學(xué)習(xí)的數(shù)據(jù)融合方法。簡(jiǎn)要概述了關(guān)于圖像和點(diǎn)云數(shù)據(jù)處理的深度學(xué)習(xí)，對(duì)相機(jī)-LiDAR融合方法、目標(biāo)檢測(cè)，語(yǔ)義分割和跟蹤進(jìn)行了深入分析比較。

【19】A Survey on Deep Learning Techniques for Stereo-based Depth Estimation
標(biāo)題：基于立體的深度估計(jì)深度學(xué)習(xí)技術(shù)綜述
作者：Hamid Laga, ?Mohammed Bennamoun
鏈接：https://arxiv.org/abs/2006.02535

本文對(duì)基于立體的深度估計(jì)這一新的且不斷發(fā)展的研究領(lǐng)域進(jìn)行了全面調(diào)查，總結(jié)了最常用的pipeline，并討論了它們的好處和局限性。共引用157篇文獻(xiàn)。

醫(yī)學(xué)影像

【20】A scoping review of transfer learning research on medical image analysis using ImageNet
標(biāo)題：利用ImageNet進(jìn)行醫(yī)學(xué)圖像分析的遷移學(xué)習(xí)研究述評(píng)
作者：Mohammad Amin Morid, Guilherme Del Fiol
鏈接：https://arxiv.org/abs/2004.13175

【21】Deep Learning Based Brain Tumor Segmentation: A Survey
標(biāo)題：基于深度學(xué)習(xí)的腦腫瘤分割研究綜述
作者：Zhihua Liu, Huiyu Zhou
鏈接：https://arxiv.org/abs/2007.09479

本文對(duì)近期基于深度學(xué)習(xí)的腦腫瘤分割技術(shù)進(jìn)行全面總結(jié)。涵蓋了不同方法的優(yōu)缺點(diǎn)，預(yù)處理，數(shù)據(jù)集和評(píng)估指標(biāo)等。共129篇文獻(xiàn)。

【22】A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis
標(biāo)題：基于神經(jīng)成像的腦疾病分析深度學(xué)習(xí)研究綜述
作者：Li Zhang, Daoqiang Zhang
鏈接：https://arxiv.org/abs/2005.04573

【23】A review: Deep learning for medical image segmentation using ?multi-modality fusion
標(biāo)題：多模態(tài)融合用于醫(yī)學(xué)圖像分割的深度學(xué)習(xí)綜述
作者：Tongxue Zhou, ?Stéphane Canu
鏈接：https://arxiv.org/abs/2004.10664

【24】Medical Instrument Detection in Ultrasound-Guided Interventions: A Review
標(biāo)題：超聲引導(dǎo)治療的醫(yī)療器械檢測(cè)
作者：Hongxu Yang, Peter H. N. de With
鏈接：https://arxiv.org/abs/2007.04807

【25】A Survey on Domain Knowledge Powered Deep Learning for Medical Image Analysis
標(biāo)題：域知識(shí)驅(qū)動(dòng)的醫(yī)學(xué)圖像深度學(xué)習(xí)研究綜述
作者：Xiaozheng Xie, Shaojie Tang
鏈接：https://arxiv.org/abs/2004.12150

本文總結(jié)了將深度學(xué)習(xí)模型引入醫(yī)學(xué)領(lǐng)域知識(shí)以完成各種任務(wù)（如疾病診斷，病變，器官和異常檢測(cè)，病變和器官分割）的最新進(jìn)展。共引用268篇文獻(xiàn)。

【26】A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction
標(biāo)題：腦腫瘤的端到端分割和總體生存預(yù)測(cè)方法綜述
作者：Snehal Rajput, Mehul S Raval
鏈接：https://arxiv.org/abs/2006.01632

目標(biāo)檢測(cè)

【27】Foreground-Background Imbalance Problem in Deep Object Detectors: A Review
標(biāo)題：深度目標(biāo)檢測(cè)器中前景-背景不平衡問(wèn)題綜述
作者：Joya Chen, Tong Xu
鏈接：https://arxiv.org/abs/2006.09238

本文研究了不平衡問(wèn)題解決方案的最新進(jìn)展。分析了包括一階段和兩階段在內(nèi)的各種深度檢測(cè)器中不平衡問(wèn)題的特征。將現(xiàn)有解決方案分為兩類：抽樣和非抽樣方案，并在COCO上進(jìn)行了實(shí)驗(yàn)對(duì)比。

GAN/對(duì)抗式/生成式

【28】A Survey on Generative Adversarial Networks: Variants, Applications, and ?Training
標(biāo)題：生成性對(duì)抗網(wǎng)絡(luò)綜述：變體、應(yīng)用和培訓(xùn)
作者：Abdul Jabbar, ?Bourahla Omar
鏈接：https://arxiv.org/abs/2006.05132

【29】Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments
標(biāo)題：生成性對(duì)抗網(wǎng)絡(luò)(GANS)：理論模型，評(píng)估度量和最新發(fā)展綜述
作者：Pegah Salehi, Maryam Taghizadeh
鏈接：https://arxiv.org/abs/2005.13178

【30】Regularization Methods for Generative Adversarial Networks: An Overview ?of Recent Studies
標(biāo)題：生成性對(duì)抗網(wǎng)絡(luò)的正則化方法：近期研究綜述
作者：Minhyeok Lee, ?Junhee Seok
鏈接：https://arxiv.org/abs/2005.09165

【31】Universal Adversarial Perturbations: A Survey
標(biāo)題：普遍對(duì)抗擾動(dòng)：綜述
作者：Ashutosh Chaubey, Pramod Mehta
備注：20 pages, 17 figures
鏈接：https://arxiv.org/abs/2005.08087

文本檢測(cè)與識(shí)別

【32】Text Detection and Recognition in the Wild: A Review
標(biāo)題：野外文本檢測(cè)與識(shí)別研究綜述
作者：Zobeir Raisi, John Zelek
鏈接：https://arxiv.org/abs/2006.04305

本文不僅對(duì)有關(guān)場(chǎng)景文本檢測(cè)和識(shí)別的最新進(jìn)展進(jìn)行了回顧，還介紹了用統(tǒng)一工具進(jìn)行廣泛實(shí)驗(yàn)的結(jié)果評(píng)估框架，用于評(píng)估案例選定方法的預(yù)訓(xùn)練模型。其次，確定用于檢測(cè)或識(shí)別野外圖像中文本的幾個(gè)現(xiàn)有挑戰(zhàn)：平面內(nèi)旋轉(zhuǎn)，多方向和多分辨率文本，透視變形，照明反射，部分遮擋，復(fù)雜字體和特殊字符。共引用193篇文獻(xiàn)。

【33】Text Recognition in the Wild: A Survey
標(biāo)題：野外文本識(shí)別研究綜述
作者：Xiaoxue Chen, ?Tianwei Wang
鏈接：https://arxiv.org/abs/2005.03492

【34】Survey on Deep Learning-based Kuzushiji Recognition
標(biāo)題：基于深度學(xué)習(xí)的Kuzushiji識(shí)別研究綜述
作者：Kazuya Ueki, Tomoka Kojima
鏈接：https://arxiv.org/abs/2007.09637

姿態(tài)估計(jì)

【35】Monocular Human Pose Estimation: A Survey of Deep Learning-based Methods
標(biāo)題：?jiǎn)文咳梭w姿態(tài)估計(jì)：基于深度學(xué)習(xí)的方法綜述
作者：Yucheng Chen, Mingyi He
鏈接：https://arxiv.org/abs/2006.01423

本文回顧了自2014年以來(lái)發(fā)布的基于深度學(xué)習(xí)的2D和3D人體姿勢(shì)估計(jì)方法。概述了挑戰(zhàn)，主要框架，基準(zhǔn)數(shù)據(jù)集，評(píng)估指標(biāo)，性能比較，并討論了未來(lái)研究方向。

圖像去噪

【36】Learning from Noisy Labels with Deep Neural Networks: A Survey
標(biāo)題：基于深度神經(jīng)網(wǎng)絡(luò)的噪聲標(biāo)簽學(xué)習(xí)研究綜述
作者：Hwanjun Song, Jae-Gil Lee
鏈接：https://arxiv.org/abs/2007.08199

本文對(duì)46種最先進(jìn)的基于深度神經(jīng)網(wǎng)絡(luò)的噪聲標(biāo)簽學(xué)習(xí)訓(xùn)練方法進(jìn)行了全面回顧，將這些方法分為7組，系統(tǒng)比較了6種特性，并總結(jié)了常用的評(píng)估方法。共引用113篇文獻(xiàn)。

視頻相關(guān)

【37】Movement Assessment from Skeleton Videos: A Review
標(biāo)題：基于骨骼視頻的運(yùn)動(dòng)評(píng)估研究進(jìn)展
作者：Tal Hakim
鏈接：https://arxiv.org/abs/2007.10737

本文回顧了骨骼視頻自動(dòng)運(yùn)動(dòng)評(píng)估的最新解決方案，并根據(jù)其目標(biāo)，功能，運(yùn)動(dòng)域和算法方法進(jìn)行了比較。

【38】A Review on Deep Learning Techniques for Video Prediction
標(biāo)題：視頻預(yù)測(cè)深度學(xué)習(xí)技術(shù)綜述
作者：Sergiu Oprea, ?Antonis Argyros
鏈接：https://arxiv.org/abs/2004.05214

本文對(duì)視頻序列中預(yù)測(cè)的深度學(xué)習(xí)方法進(jìn)行了綜述：定義視頻預(yù)測(cè)的基礎(chǔ)知識(shí)，背景概念和常用的數(shù)據(jù)集，同時(shí)分析對(duì)比了現(xiàn)有視頻預(yù)測(cè)模型，總結(jié)了它們的貢獻(xiàn)、并指出未來(lái)研究方向。共引用241篇文獻(xiàn)。

異常檢測(cè)

【39】Deep Learning for Anomaly Detection: A Review
標(biāo)題：異常檢測(cè)的深度學(xué)習(xí)：綜述
作者：Guansong Pang, ?Anton van den Hengel
鏈接：https://arxiv.org/abs/2007.02500

本文綜述了利用全面的檢測(cè)方法分類法進(jìn)行的深度異常檢測(cè)的研究，涵蓋了該方法的3個(gè)類別和11個(gè)細(xì)粒度類別的研究進(jìn)展。綜述目標(biāo)功能，基本假設(shè)，優(yōu)點(diǎn)和缺點(diǎn)，并進(jìn)一步討論了未來(lái)機(jī)會(huì)以及挑戰(zhàn)。

【40】A Survey of Single-Scene Video Anomaly Detection
標(biāo)題：?jiǎn)螆?chǎng)景視頻異常檢測(cè)綜述
作者：Bharathkumar Ramachandra, ?Ranga Raju Vatsavai
鏈接：https://arxiv.org/abs/2004.05993

神經(jīng)網(wǎng)絡(luò)訓(xùn)練

【41】Mixing Real and Synthetic Data to Enhance Neural Network Training -- A ?Review of Current Approaches
標(biāo)題：混合真實(shí)數(shù)據(jù)和合成數(shù)據(jù)加強(qiáng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練-當(dāng)前方法綜述
作者：Viktor Seib, ?Stefan Wirtz
鏈接：https://arxiv.org/abs/2007.08781

深度神經(jīng)網(wǎng)絡(luò)在許多計(jì)算機(jī)視覺(jué)任務(wù)中已變得極為重要。本文回顧比較了多種不同技術(shù)，以提高訓(xùn)練效果而無(wú)需獲取更多真實(shí)標(biāo)注數(shù)據(jù)。

【42】Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey
標(biāo)題：用幾何先驗(yàn)知識(shí)增強(qiáng)深度神經(jīng)網(wǎng)絡(luò)：綜述
作者：Matthias Rath, Alexandru Paul Condurache
鏈接：https://arxiv.org/abs/2006.16867

受卷積神經(jīng)網(wǎng)絡(luò)（CNN）在計(jì)算機(jī)視覺(jué)任務(wù)中成功的啟發(fā)，一個(gè)有前景的領(lǐng)域是將關(guān)于要解決問(wèn)題的對(duì)稱幾何變換的知識(shí)并入其中。這保證了更高的數(shù)據(jù)效率和更容易解釋的過(guò)濾器響應(yīng)。本文概述了將幾何先驗(yàn)知識(shí)納入DNN的不同方法。并嘗試將這些方法連接到3D目標(biāo)檢測(cè)領(lǐng)域。

視覺(jué)常識(shí)/其他

【43】Backdoor Attacks and Countermeasures on Deep Learning: A Comprehensive Review
標(biāo)題：深度學(xué)習(xí)的后門攻擊及其對(duì)策綜述
作者：Yansong Gao, Hyoungshick Kim
鏈接：https://arxiv.org/abs/2007.10760

【44】Survey on Deep Multi-modal Data Analytics: Collaboration, Rivalry and ?Fusion
標(biāo)題：深度多模態(tài)數(shù)據(jù)分析綜述：協(xié)作、競(jìng)爭(zhēng)和融合
作者：Yang Wang
鏈接：https://arxiv.org/abs/2006.08159

【45】Towards Robust Pattern Recognition: A Review
標(biāo)題：面向穩(wěn)健模式識(shí)別的研究進(jìn)展
作者：Xu-Yao Zhang, Ching Y. Suen
鏈接：https://arxiv.org/abs/2006.06976

【46】A survey on deep hashing for image retrieval
標(biāo)題：用于圖像檢索的深度散列技術(shù)綜述
作者：Xiaopeng Zhang
鏈接：https://arxiv.org/abs/2006.05627

【47】Finger Texture Biometric Characteristic: a Survey
標(biāo)題：手指紋理生物特征研究綜述
作者：Raid R. O. Al-Nima, Jonathon Chambers
鏈接：https://arxiv.org/abs/2006.04193

【48】A Concise Review of Recent Few-shot Meta-learning Methods
標(biāo)題：元學(xué)習(xí)方法的簡(jiǎn)要評(píng)述
作者：Xiaoxu Li, ?Zhanyu Ma
鏈接：https://arxiv.org/abs/2005.10953

【49】A Survey on Unknown Presentation Attack Detection for Fingerprint
標(biāo)題：指紋未知呈現(xiàn)攻擊檢測(cè)研究綜述
作者：Jag Mohan Singh, Raghavendra Ramachandra
鏈接：https://arxiv.org/abs/2005.08337

【50】A Survey on Visual Sentiment Analysis
標(biāo)題：視覺(jué)情感分析綜述
作者：Alessandro Ortis, ?Sebastiano Battiato
鏈接：https://arxiv.org/abs/2004.11639

【51】On the Synergies between Machine Learning and Stereo: a Survey
標(biāo)題：機(jī)器學(xué)習(xí)與立體視覺(jué)的協(xié)同作用研究綜述
作者：Matteo Poggi, ?Stefano Mattoccia
鏈接：https://arxiv.org/abs/2004.08566

【52】A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence
標(biāo)題：定位與制圖深度學(xué)習(xí)綜述：邁向空間機(jī)器智能時(shí)代
作者：Changhao Chen, Andrew Markham
鏈接：https://arxiv.org/abs/2006.12567

【53】Deep Learning for Vision-based Prediction: A Survey
標(biāo)題：基于視覺(jué)預(yù)測(cè)的深度學(xué)習(xí)研究綜述
作者：Amir Rasouli
鏈接：https://arxiv.org/abs/2007.00095

【54】A Brief Review of Deep Multi-task Learning and Auxiliary Task Learning
標(biāo)題：淺談深度多任務(wù)學(xué)習(xí)和輔助任務(wù)學(xué)習(xí)
作者：Partoo Vafaeikia, Farzad Khalvati
鏈接：https://arxiv.org/abs/2007.01126

在VX號(hào)極市平臺(tái)后臺(tái)回復(fù)0724綜述，即可獲取上述論文打包下載鏈接。