收录于话题
#视觉综述
2个内容
加入极市专业CV交流群，与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度 等名校名企视觉开发者互动交流！
同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~
目标检测
标题：Deep Domain Adaptive Object Detection: a Survey链接：https://arxiv.org/abs/2002.06797本文共梳理了40篇相关文献，由中科院自动化所学者发布。基于深度学习(DL)的目标检测已经取得了很大的进展，这些方法通常假设有大量的带标签的训练数据可用，并且训练和测试数据从相同的分布中提取。然而，这两个假设在实践中并不总是成立的。深域自适应目标检测(DDAOD)作为一种新的学习范式应运而生。本文综述了深域自适应目标检测方法的研究进展。标题：Anomalous Instance Detection in Deep Learning: A Survey作者：Saikiran Bulusu, Dawn Song链接：https://arxiv.org/abs/2003.06979本文共梳理了119篇相关文献，由雪城大学学者发布。讨论多种异常实例检测方法，并分析了各种方法的相对优势和劣势。标题：Moving Objects Detection with a Moving Camera: A Comprehensive Review作者：Marie-Neige Chapel, Thierry Bouwmans链接：https://arxiv.org/abs/2001.05238本文共梳理了347篇相关文献。随着移动传感器的兴起，研究移动相机逐渐变为热门方向。本文对不同现有方法进行了识别，并将其分为一个平面或多个两类。在这两个类别中，将各类方法分为8组：全景背景减法，双摄像头，运动补偿，子空间分割，运动分割，平面+视差，多平面和按块分割图像。本文还对公开可用的数据集和评估指标进行了研究。图像分类
4. 图像分类中的半监督，自我监督和无监督技术综述
标题：A survey on Semi-, Self- and Unsupervised Techniques in Image Classification
作者：Lars Schmarje, Reinhard Koch链接：https://arxiv.org/abs/2002.08721本文共梳理了51篇相关文献。综述了标签较少的图像分类中常用的21种技术和方法。我们比较方法，并确定了三个主要趋势。图像去噪
标题：Deep Learning on Image Denoising: An overview作者：Chunwei Tian, Chia-Wen Lin链接：https://arxiv.org/abs/1912.13171本文梳理了238篇相关文献，由哈尔滨工业大学、广东工业大学、清华大学学者共同发布。不同类型的处理噪声深度学习方法存在巨大差异，而目前很少有相关研究来进行相关总结。本文对图像去噪中不同深度学习技术进行了比较研究，分析不同方法的动机和原理，并在公共去噪数据集进行比较。研究包括：(1). 加白噪声图像的CNN；(2)用于真实噪声图像的CNN；(3)用于盲噪声去噪的CNN；(4)用于混合噪声图像的CNN。图像分割
标题：Image Segmentation Using Deep Learning: A Survey作者：Shervin Minaee, Demetri Terzopoulos链接：https://arxiv.org/abs/2001.05566本文梳理了172篇相关文献，对语义和实例分割文献进行了全面回顾，涵盖了的各种开创性作品，包括全卷积像素标记网络，编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型以及对抗中的生成模型。人脸识别
标题：DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection作者：Ruben Tolosana, Javier Ortega-Garcia链接：https://arxiv.org/abs/2001.00179
本文梳理了105篇相关文献，本文对操纵人脸的图像技术（包括DeepFake方法）以及检测此类技术的方法进行了全面综述。论述了四种类型的面部操作：全脸合成、面部身份交换（DeepFakes）、面部属性操作以及面部表情操作。
姿态估计
8. 目标姿态回顾：从3D边界框检测器到完整的6D姿态估计器标题：A Review on Object Pose Recovery: from 3D Bounding Box Detectors to Full 6D Pose Estimators作者：Caner Sahin, Tae-Kyun Kim链接：https://arxiv.org/abs/2001.10609本文梳理了206篇相关文献，由伦敦帝国理工学院学者发布。本文对3D边界框检测器到完整的6D姿态估计器的物体姿态恢复方法的进行了首次全面的综述。基于数学模型，将各类方法分为分类，回归，分类与回归，模板匹配和点对特征匹配任务。行为/动作识别
9. 基于3D骨架的动作识别学习方法的研究
标题：A Survey on 3D Skeleton-Based Action Recognition Using Learning Method
链接：https://arxiv.org/abs/2002.05907
本文梳理了81篇相关文献，由北京大学学者发布。本文强调了动作识别的必要性和3D骨架数据的重要性，然后以数据驱动的方式对基于递归神经网络，基于卷积神经网络和基于图卷积网络的主流动作识别技术进行了全面介绍，这也是第一次对使用3D骨架数据进行基于深度学习的动作识别的全面研究。人群计数
标题：CNN-based Density Estimation and Crowd Counting: A Survey作者：Guangshuai Gao, Yunhong Wang链接：https://arxiv.org/abs/2003.12783本文梳理了222篇相关文献，由北京航空航天大学学者发布，基于CNN的密度图估计方法，调研了220+工作，对人群计数进行了全面系统的研究。同时根据评估指标，在人群统计数据集上选择表现最好的三名，并分析其优缺点。医学影像
11. 使用经典和深层神经网络进行的乳房组织病理学图像分析的全面综述标题：A Comprehensive Review for Breast Histopathology Image Analysis Using Classical and Deep Neural Networks作者：Xiaomin Zhou, Tao Jiang链接：https://arxiv.org/abs/2003.12255本文梳理了180篇相关文献，由东北大学学者发布。对基于人工神经网络的BHIA技术进行了全面概述，将BHIA系统分为经典和深度神经网络以进行深入研究，分析现有模型以发现最合适的算法，并提供可公开访问的数据集。标题：Medical Image Registration Using Deep Neural Networks: A Comprehensive Review作者：Hamid Reza Boveiri, Ali Reza MehdiZadeh链接：https://arxiv.org/abs/2002.03401本文梳理了117篇相关文献，对使用深度神经网络进行医学图像配准的最新文献进行了全面回顾，系统地涵盖了该领域的相关作品，包括关键概念，统计分析，关键技术，主要贡献，挑战和未来方向。13. 迈向自动威胁检测：X射线安全成像中深度学习进展综述标题：Towards Automatic Threat Detection: A Survey of Advances of Deep Learning within X-ray Security Imaging作者：Samet Akcay, Toby Breckon链接：https://arxiv.org/abs/2001.01293本文梳理了151篇相关文献，由英国杜伦大学学者发布。本文分常规机器学习和当代深度学习两类来回顾X射线安全成像算法。将深度学习方法分为有监督，半监督和无监督学习，着重论述分类，检测，分割和异常检测任务，同时包含有完善的X射线数据集。
标题：Deep neural network models for computational histopathology: A survey作者：Chetan L. Srinidhi, Anne L. Martel链接：https://arxiv.org/abs/1912.12378本文梳理了130篇相关文献，由多伦多大学学者发布。本文对组织病理学图像分析中使用的最新深度学习方法进行了全面回顾，包括有监督，弱监督，无监督，迁移学习等领域，并总结了几个现有的开放数据集。三维重建
标题：A Survey On 3D Inner Structure Prediction from its Outer Shape作者：Mohamed Mejri, Cédric Pradalier链接：https://arxiv.org/abs/2002.04571本文梳理了81篇相关文献，由北京大学学者发布。由于过去与骨架数据相关内容很少，本文是第一篇针对使用3D骨架数据进行基于深度学习的动作识别进行全面讨论的研究。本文突出了动作识别和3D骨架数据的重要性，以数据驱动的方式对基于递归神经网络、卷积神经网络和图卷积网络的主流动作识别技术进行了全面介绍。并介绍了最大的3D骨架数据集NTU-RGB+D及其新版本NTU-RGB+D 120，并论述了几种现有的顶级算法。三维点云
标题：Target-less registration of point clouds: A review本文对48篇文献进行了梳理，总结了无目标点云配准的基本工作，回顾了三种常用的配准方法，即基于特征匹配的方法，迭代最近点算法和随机假设，并分析了这些方法的优缺点，介绍它们的常见应用场景。链接：https://arxiv.org/abs/1912.12756OCR：
17. 手写光学字符识别（OCR）：综合系统文献综述（SLR）标题：Handwritten Optical Character Recognition (OCR): A Comprehensive Systematic Literature Review (SLR)作者：Jamshed Memon, Rizwan Ahmed Khan链接：https://arxiv.org/abs/2001.00139本文对142篇相关文献进行了梳理，总结了有关OCR的研究，综述了2000年至2018年之间发布的研究文章，介绍OCR的最新结果和技术，并分析研究差距，以总结研究方向。深度depth相关：
标题：Monocular Depth Estimation Based On Deep Learning: An Overview作者：Chaoqiang Zhao, Feng Qian链接：https://arxiv.org/abs/2003.06620
本文对119篇相关文献进行了梳理，由华东理工大学学者发布。随着深度神经网络的迅速发展，基于深度学习的单眼深度估计已得到广泛研究。为了提高深度估计的准确性，提出了各种网络框架，损失函数和训练策略。因此，本文综述了当前基于深度学习的单眼深度估计方法，总结了几种基于深度学习的深度估计中广泛使用的数据集和评价指标，同时根据不同的训练方式回顾了一些有代表性的现有方法：有监督，无监督和半监督。
CNN
标题：A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects作者：Zewen Li, Wenjie Yang, Shouheng Peng, Fan Liu链接：https://arxiv.org/abs/2004.02806本文对119篇相关文献进行了梳理，由华东理工大学学者发布。本文旨在在卷积神经网络这个快速增长的领域中尽可能提供新颖的想法和前景，不仅涉及二维卷积，而且涉及一维和多维卷积。首先，本文简要介绍了CNN的历史并概述了CNN发展，介绍经典CNN模型，重点论述使它们达到SOTA的关键因素，并通过实验分析提供了一些经验法则，最后对一维，二维和多维卷积的应用进行了概述。视觉常识/其他
标题：On Information Plane Analyses of Neural Network Classifiers -- A Review链接：https://arxiv.org/abs/2003.09671标题：A Survey of Methods for Low-Power Deep Learning and Computer Vision作者：Abhinav Goel, George K. Thiruvathukal链接：https://arxiv.org/abs/2003.1106622. 深度学习遇到数据对齐时：深度注册网络（DRN）评述标题：When Deep Learning Meets Data Alignment: A Review on Deep Registration Networks (DRNs)作者：Victor Villena-Martinez, Robert B. Fisher链接：https://arxiv.org/abs/2003.03167标题：Towards Unconstrained Palmprint Recognition on Consumer Devices: a Literature Review作者：Adrian-S. Ungureanu, Peter Corcoran链接：https://arxiv.org/abs/2003.00737标题：Features for Ground Texture Based Localization -- A Survey作者：Jan Fabian Schmid, Rudolf Mester链接：https://arxiv.org/abs/2002.1194825. 从观看到移动：视觉室内导航（VIN）学习综述标题：From Seeing to Moving: A Survey on Learning for Visual Indoor Navigation (VIN)链接：https://arxiv.org/abs/2002.11310为了方便大家阅读，小极已经将上述论文全部打包下载。在 极市平台 公众号后台回复 25综述 ，即可获取打包下载链接。
40万奖金的AI移动应用大赛，参赛就有奖，入围还有额外奖励
添加极市小助手微信（ID : cv-mart），备注：研究方向-姓名-学校/公司-城市（如：目标检测-小极-北大-深圳），即可申请加入目标检测、目标跟踪、人脸、工业检测、医学影像、三维&SLAM、图像分割等极市技术交流群，更有每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、行业技术交流，一起来让思想之光照的更远吧~
△长按添加极市小助手
△长按关注极市平台，获取最新CV干货
觉得有用麻烦给个在看啦~