0. 前言

这篇文章主要是通过在神经网络中加入 SE-block 来加强通道之间的关系，提高性能，理论上讲可以加入任意网络任意任务，并且这篇文章获得了 ImageNet2017 的冠军。很牛逼。

• paper: ECCV2018_Squeeze-and-Excitation Networks
• code: Caffe, TensorFlow, MatConvNet, MXNet, Pytorch, Chainer, pytorch

这篇文章清晰易懂，讲得很细(没用的话也比较多)，很work，一起拜读一下。

0. 前言

0.0 前言

这篇文章主要解决的问题是：当语义分割网络在合成数据集(有标签)上训练好，在真实数据集(没有标签)上性能下降比较多。作者认为有两个原因：对合成数据过拟合，合成数据与真实数据存在分布差异。(好吧，我认为这两是一个原因)。作者提出target guided distillation 和 spatial-aware adaptation 来改进性能，效果还挺好的。我主要看target guided distillaiton。

• paper: CVPR2018_ROAD: Reality Oriented Adaptation for Semantic Segmentation of Urban Scenes
• code: 无

0.1 HydraPlus-Net

顺便记录下刚看的论文 HydraPlus-Net，因为这篇论文是caffe代码且对我的帮助不大，所以只是简单地记录下其中的创新点。

0.前言

这篇文章的主要任务是，给定多个有标签行人重识别数据集，如何训练一个模型，在各个数据集上表现都好，并且这个模型能“隐式识别出”（Domain Guided Dropout）是哪个数据集。

• paper: CVPR2016 Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identification
• code: caffe

0. 前言

这篇文章主要的任务也是为了解决re-ID中需要全部标签的问题，核心思想只对一个摄像头下的全部行人各取一张图片（对于没有出现的行人，从其他摄像头下取一张），然后通过训练模型，聚类给假标签，逐步识别出所有图片。

• paper: TIP 2019 Progressive Learning for Person Re-Identification with One Example
• author: Yu Wu, Yutian Lin, Yi Yang (University of Technology Sydney (UTS))
• code: https://github.com/Yu-Wu/One-Example-Person-ReID
• project: https://zhuanlan.zhihu.com/p/54576174

0. 前言

这篇文章是根据GANnotation的一个公式查过来的，感觉还挺厉害。

• paper: GANimation Anatomically-aware Facial Animation from a Single Image
• github: https://github.com/albertpumarola/GANimation
• project: https://www.albertpumarola.com/research/GANimation/index.html

关键词：starGAN的改进、连续的表情变换、贴回去能够一致

0. 前言

这是对GAN应用到人脸合成的改进，只是在arxiv上，先看看再说。

0. 前言

新装pytorch之后，可视化工具visdom就不能用了，所以改用tensorboard，以下是tensorboard及其变体的使用命令。

0. 前言

这也是一篇合成数据集的论文。

实例转换

0. 前言

最近看了一些代码，发现大家的代码风格互相不一样，且没有一个统一的风格，所以抽象一个大致流程，用于更快地熟悉代码。