会员服务 ·

2019年CV领域，值得一看的综述文章！

2019 年 12 月 6 日 计算机视觉life

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

问题：2019年，CV领域，你推荐哪些综述性的文章？

https://www.zhihu.com/question/355566860

知乎高质量回答

1、作者：Amusi

https://www.zhihu.com/question/355566860/answer/894352980

一直关注CV这一块，下面分享几个2019年比较好的CV综述，方向涵盖：目标检测、图像分割、目标跟踪和超分辨率等

目标检测

2019 四大目标检测综述论文：

Imbalance Problems in Object Detection: A Review

intro: under review at TPAMI
arXiv: https://arxiv.org/abs/1909.00169

Recent Advances in Deep Learning for Object Detection

intro: From 2013 (OverFeat) to 2019 (DetNAS)
arXiv: https://arxiv.org/abs/1908.03673

A Survey of Deep Learning-based Object Detection

intro：From Fast R-CNN to NAS-FPN
arXiv：https://arxiv.org/abs/1907.09408

Object Detection in 20 Years: A Survey

intro：This work has been submitted to the IEEE TPAMI for possible publication
arXiv：https://arxiv.org/abs/1905.05055

目标检测更多论文详见：

https://github.com/amusi/awesome-object-detection

图像分割

Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications

arXiv : https://arxiv.org/abs/1911.02521

Deep Semantic Segmentation of Natural and Medical Images: A Review

intro: 从 FCN(2014) 到 Auto-DeepLab(2019)，本综述共含179篇语义分割和医学图像分割参考文献
arXiv: https://arxiv.org/abs/1910.07655

Understanding Deep Learning Techniques for Image Segmentation

intro: 本综述介绍了从2013年到2019年，主流的30多种分割算法（含语义/实例分割），50多种数据集，共计224篇参考文献
arXiv : https://arxiv.org/abs/1907.06119

目标跟踪

A Review of Visual Trackers and Analysis of its Application to Mobile Robot

intro: 本目标跟踪综述共含185篇参考文献！从传统方法到最新的深度学习网络
arXiv: https://arxiv.org/abs/1910.09761

Deep Learning in Video Multi-Object Tracking: A Survey

intro: 38页目标跟踪综述，含30多种主流算法，共计174篇参考文献
arXiv: https://arxiv.org/abs/1907.12740

超分辨率

A Deep Journey into Super-resolution: A survey

arXiv: https://arxiv.org/abs/1904.07523

Deep Learning for Image Super-resolution: A Survey

arXiv: https://arxiv.org/abs/1902.06068

2、作者：魏秀参

https://www.zhihu.com/question/355566860/answer/896661195

自荐一篇“Deep Learning for Fine-Grained Image Analysis: A Survey“：

《超全深度学习细粒度图像分析：项目、综述、教程一网打尽》

链接：
https://mp.weixin.qq.com/s/2pJt9hlUFhR6mo1ughKkiA

另，除文末提及的几个具体future directions

Automatic Fine-Grained Models
Fine-Grained Few-Shot Learning
Fine-Grained Hashing

之外。实际上FGIA领域还有非常多新鲜好玩的问题和应用值得探索，如：

我们围绕FGIA提出的一个目前最大的新零售场景商品数据集RPC：
https://zhuanlan.zhihu.com/p/55627416
在真实细粒度识别场景中不可避免的长尾分布问题：Long tailed problems
存在跨域差异（Domain adaptation）的细粒度图像识别和检索
……

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、检测分割识别、三维视觉、医学影像、GAN、自动驾驶、计算摄影、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~