计算机教学论文（计算机视觉精选论文）

计算机教学论文(计算机视觉论文选)

2019年即将结束。我们看到今年在计算机视觉(CV)领域诞生了大量的优秀论文，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，我们评选出了2019年十大简历研究论文，帮助你了解这一领域的最新趋势。

我们可以看到，近年来，计算机视觉(CV)系统已经成功应用于医疗、安防、交通、零售、银行、农业等领域，正在逐步改变整个行业的面貌。

今年简历领域依然硕果累累，诞生了很多优秀论文。我们精选了十篇论文，供大家参考、学习和了解该领域的最新趋势和前沿技术。

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、机器生成图像的图像生成与评价、视觉语言导航、用自然语言标注两幅图像的变化等。

这是我们选出的10篇论文的清单。先睹为快:

1.EfficientNet:重新思考卷积神经网络的模型缩放

EfficientNet:关于卷积神经网络模型缩放的思考

2.通过看冻人了解感动人的深度

通过观察一个静止的人来了解一个运动的人的深度。

3.用于视觉语言导航的增强型跨模态匹配和自我监督模仿学习

用于视觉语言导航的增强的跨模态匹配和自我监督模仿学习。

4.非视线形状重建的费马路径理论

非视线形状重建的费马路径理论

5.推理-RCNN:将自适应全局推理统一到大规模目标检测中

推理-RCNN:将自适应全局推理统一到大规模目标检测中

6.修复列车测试分辨率差异

训练测试分辨率差异

7.SinGAN:从单一自然图像中学习生成模型

SinGAN:学习从单一自然图像生成模型

8.视觉嵌入无监督学习的局部聚集

视觉聚合无监督学习的局部聚合

9.强大的变化字幕

强大的字幕变化

10.HYPE:生成模型的人眼感知评估基准

炒作:生成模型的人眼感知评价基准

接下来，我们将从核心思想、关键成果、未来技术应用等方面详细介绍这10篇论文。由于篇幅所限，我们将解读分为上、中、下三章。欢迎大家继续关注后续内容推送。

一个

EfficientNet:关于卷积神经网络模型缩放的思考

地址:https://arxiv.org/pdf/1905.11946.pdf

摘要

ConvNets (Convnets)通常在固定的资源预算下开发。如果有更多的资源可用，它们将被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，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。基于这一观察，我们提出了一种新的缩放方法，该方法使用简单有效的重组系数来统一缩放深度/宽度/分辨率的所有维度。我们证明了这种方法在扩展MobileNets和ResNet时的有效性。

此外，我们使用神经架构搜索设计了一个新的基准网络，并对其进行扩展，以获得一个称为EfficientNets的模型系列，该模型系列比以前的ConvNets具有更高的精度和效率。特别是我们的EfficientNet-B7在ImageNet上实现了最先进的84.4% TOP-1/97.1% TOP-5的准确率，同时比现有最好的ConvNet小8.4倍，推理速度快6.1倍。我们的EfficientNets在CIFAR-100 (91.7%)、Flowers(98.8%%)等3个传输学习数据集上也能很好地传输，达到最先进的精度，而参数却少了几个数量级。源代码:https://github . com/tensor flow/TPU/tree/master/models/official/efficient net..

以上就是由优质生活领域创作者 嘉文社百科网小编 整理编辑的，如果觉得有帮助欢迎收藏转发~