计算机教学论文（计算机视觉精选论文）

　　计算机教学论文（计算机视觉精选论文）
　　2019 年转眼已经接近尾声，我们看到，这一年计算机视觉（CV）领域又诞生了大量出色的论文，提出了许多新颖的架构和方法，进一步提高了视觉系统的感知和生成能力。因此，我们精选了 2019 年十大 CV 研究论文，帮你了解该领域的最新趋势。
　　我们看到，近年来，计算机视觉（CV）系统已经逐渐成功地应用在医疗保健，安防，运输，零售，银行，农业等领域，也正在逐渐改变整个行业的面貌。
　　而今年，CV 领域依然硕果累累，诞生了多篇优秀论文。我们选择了其中十篇论文，以供大家参考、学习，了解该领域的最新趋势与前沿技术。
　　这十篇论文涵盖了卷积网络的优化，计算机视觉中的无监督学习，图像生成和机器生成图像的评估，视觉语言导航，使用自然语言为两个图像标注变化等。
　　以下是我们精选的 10 篇论文目录，先一睹为快：
　　1.EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
　　EfficientNet：卷积神经网络模型缩放的反思
　　2.Learning the Depths of Moving PeoplebyWatching Frozen People
　　通过观看静止的人来学习移动的人的深度
　　3.Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vision-Language Navigation
　　增强的跨模态匹配和自我监督的模仿学习，用于视觉语言导航
　　4.A Theory of Fermat Paths for Non-Line-of-Sight Shape Reconstruction
　　非视线形状重构的费马路径理论
　　5.Reasoning-RCNN: Unifying Adaptive Global Reasoning into Large-scale Object Detection
　　Reasoning-RCNN：将自适应全局推理统一到大规模目标检测中
　　6.Fixing the Train-Test Resolution Discrepancy
　　修复训练测试分辨率差异
　　7.SinGAN: Learning a Generative Model from a Single Natural Image
　　SinGAN：从单个自然图像中学习生成模型
　　8.Local Aggregation for Unsupervised Learning of Visual Embeddings
　　视觉聚合的无监督学习的局部聚合
　　9.Robust Change Captioning
　　强大的更改字幕
　　10.HYPE: A Benchmark for Human eYe Perceptual Evaluation of Generative Models
　　HYPE：人类对生成模型的 eYe 感知评估的基准
　　接下来，我们将从核心思想、关键成就、未来技术应用等方面，详细介绍这 10 篇论文。限于篇幅，我们将解读分为上、中、下三个篇章，欢迎大家持续关注后续内容推送。
　　1
　　《EfficientNet：卷积神经网络模型缩放的反思》
　　论文地址：https://arxiv.org/pdf/1905.11946.pdf
　　摘要
　　卷积神经网络（ConvNets）通常是在固定资源预算下开发的，如果有更多资源可用，则会进行扩展以获得更高的精度。在本文中，我们系统地研究了模型缩放，并发现仔细平衡网络的深度，宽度和分辨率，可以带来更好的性能。基于此观察结果，我们提出了一种新的缩放方法，该方法使用简单而高效的复合系数来均匀缩放深度/宽度/分辨率的所有维度。我们证明了此方法在扩展 MobileNets 和 ResNet 方面的有效性。
　　更进一步，我们使用神经体系结构搜索来设计一个新的基准网络，并对其进行扩展以获得称为 EfficientNets 的模型系列，该模型系列比以前的 ConvNets 具有更高的准确性和效率。特别是，我们的 EfficientNet-B7 在 ImageNet 上达到了最先进的 84.4％top-1 / 97.1％top-5 精度，同时比现有最佳 ConvNet 缩小了 8.4 倍，推理速度提高了 6.1 倍。我们的 EfficientNets 还可以很好地传输并在 CIFAR-100（91.7％），Flowers（98.8％）和其他 3 个传输学习数据集上达到最先进的精度，而参数要少几个数量级。源代码链接：https://github.com
　　/tensorflow/tpu/tree/master/models/official/efficientnet.。