• 问答
  • 技术
  • 实践
  • 资源
NIPS 2018 论文解读集锦(11月30日更新)精选
技术讨论

今年我们整理过视觉顶级会议CVPR 2018论文解读集锦ECCV 2018论文解读集锦,并持续更新中,如今备受瞩目的NIPS 2018也将于12月举行,目前已经公布了所有收录论文名单,为了能够让大家更深刻了解前沿技术及论文资讯,我们进行了一些NIPS 2018优秀论文解读的整理,欢迎大家收藏交流。


NIPS 2018收录文章:https://nips.cc/Conferences/2018/Schedule


论文解读

15.NeurIPS 2018 亮点选读:深度推理学习中的图网络与关系表征
本文从深度推理学习中的图网络与关系表征入手介绍相关 NeurIPS 2018 论文。


14.盘点 NeurIPS 两届神经网络对抗赛 (NIPS2017/2018)
近日,NIPS 2018 对抗视觉挑战赛(NIPS Adversarial Vision Challenge 2018)结果公布,超过 400 个参赛团队提交了 3000 多个模型和攻击方法。本文盘点了两届NIPS神经网络对抗赛的基本情况及冠军解决方案。

13.NIPS 2018 | 南大周志华等人提出无组织恶意攻击检测算法UMA
南大庞明、周志华等研究者将目光对准了无组织恶意攻击,即攻击者在没有任何组织者的情况下单独使用少量的用户配置文件来攻击目标,并提出了对应的解决方案——无组织恶意攻击检测算法(UMA),实验证明该算法能够有效检测无组织恶意攻击。

12.NIPS 2018 | Edward2.2,一种可以用TPU大规模训练的概率编程
本文描述了一种用于在深度学习生态系统中嵌入概率编程的简单、底层方法。具体来说,作者将概率编程归结为一个抽象:随机变量。



11.【NIPS 2018】多伦多大学提出可逆RNN:内存大降,性能不减!
多伦多大学的研究人员提出Reversible RNN,一种可以减少RNN训练时内存需求的新方法,在保留模型性能的同时,将激活内存成本降低了10-15倍。

10.NIPS 2018 | 哪种特征分析法适合你的任务?Ian Goodfellow提出显著性映射的可用性测试
本文提出了一种可行的方法来评估一个给定的方法能够/不能提供什么样的解释。研究发现,仅仅依赖于视觉的评估可能会产生一些误导性的结果。通过大量实验,研究人员证明了一些现有的显著性方法独立于模型和数据生成过程。

9.NIPS 2018 | 行人重识别告别辅助姿势信息,商汤、中科大提出姿势无关的特征提取 GAN
本文提出了一个 reID 新框架——FD-GAN,来学习与身份相关而与姿势无关的表征,用于姿势不同的行人重识别。在三个广泛使用的行人重识别数据集中都取得了当前最优结果。

8.NIPS 2018 | 作为多目标优化的多任务学习:寻找帕累托最优解
多任务学习本质上是一个多目标问题,因为不同任务之间可能产生冲突,需要对其进行取舍。本文明确将多任务学习视为多目标优化问题,以寻求帕累托最优解。而经过实验证明,本文提出的方法可以在现实假设下得到帕累托最优解。


7.NIPS 2018 | 中科院自动化所两篇入选论文:高清真实图像生成领域及GAN研究在人脸识别领域的进展

中科院自动化所两篇入选NIPS 2018的文章,分别阐述了在高清真实图像生成领域及生成对抗网络GAN研究在人脸识别领域的突破。

6..NIPS 2018(oral):通过端到端几何推理发现潜在3D关键点

关键点检测是许多计算机视觉任务的基础,如人脸识别、动作检测和自动驾驶等。来自Google AI的Supasorn Suwajanakorn等人带来了关于3D关键点检测的一种新方法:端到端几何推理。

5.NIPS2018 | 腾讯AI Lab入选20篇论文,含2篇Spotlight

本文深度解析机器学习领域顶会NIPS(2018)上,腾讯AI Lab入选的的20篇论文。

4.NIPS 2018入选论文:对深度半监督学习算法的现实评价

半监督学习是近年来非常热门的一个研究领域,但针对某个问题的标记数据却仍极度稀缺。为了用更少的标记数据完成更多现实任务,研究人员想出了这种从无标记数据中提取数据结构的巧妙做法。

3.NIPS 2018 | MIT等提出NS-VQA:结合深度学习与符号推理的视觉问答

MIT、哈佛等机构合作的一项研究提出了一种神经符号视觉问答(NS-VQA)系统,将深度表征学习与符号程序执行结合到了一起。该研究的论文已被 NIPS 2018 接收。



2.NIPS 2018丨解读微软亚洲研究院10篇入选论文
微软亚洲研究院10篇入选NIPS的论文,研究主题涵盖词向量、机器翻译、神经网络优化、社群探索等等。

1.NIPS 2018 | Spotlight论文:凭借幻想的目标进行视觉强化学习

本文中,作者提出了一种算法,通过结合无监督表征学习和目标条件策略的强化学习来获得这种通用技能。

推荐阅读

CVPR 2018 论文解读集锦(190326更新)
ECCV 2018论文解读及资源集锦(10月17日更新,含全部论文下载链接)

  • 3
  • 0
  • 11937
收藏
暂无评论
Admin
大咖

极市平台

  • 18,261

    关注
  • 1,120

    获赞
  • 130

    精选文章
近期动态
  • 极市社区管理员,分享计算机视觉各个方向视觉干货,欢迎关注
文章专栏
  • 极市平台