22年CV頂會前沿論文帶讀，安排妥妥的！??
導(dǎo)讀：在煉丹界中，快速刷論文了解一下最前沿研究已經(jīng)是每個(gè)煉丹師的必備技能了
隨著計(jì)算機(jī)視覺近年來的爆發(fā)性成長，相關(guān)的論文著作更是層出不窮。尤其是CV下的各大頂會新出的論文，往往更是當(dāng)年Al發(fā)展的風(fēng)向標(biāo)。
為了讓自己的知識不過時(shí)，隨時(shí)跟進(jìn)頂會論文，洞悉計(jì)算機(jī)視覺領(lǐng)域大牛們的最新動態(tài)，也是從業(yè)者們也都要保持學(xué)術(shù)思維和習(xí)慣。
可是，對許多初學(xué)者來說，讀論文是件痛苦的事兒。他們可以很容易地通過網(wǎng)絡(luò)下載到最前沿的研究論文，但學(xué)術(shù)論文有自己的一套規(guī)范，沒有經(jīng)過一定的訓(xùn)練，很可能會浪費(fèi)很多時(shí)間在琢磨怎么讀懂一篇篇的論文上，因?yàn)檎撐淖髡邆兌寄J(rèn)你自己就會了。如果讀起來都吃力的話，那就更談不上自己編寫了。
▋那么該讀什么樣的論文，以及如何閱讀論文才能真正吸收精華？
考慮到很多學(xué)員在讀CV頂會前沿論文都會有一些難題，比如難以緊隨最新發(fā)展方向、系統(tǒng)學(xué)習(xí)，在發(fā)表論文之前，資料匱乏或者覺得頂會論文寫法晦澀深奧，百思莫解等等問題。
七月在線特推出本中級的《CV頂會前沿paper帶讀班》，名師引領(lǐng)，深入剖析：21/22年頂會24篇前沿論文。
開課時(shí)間：7月31日
詳情請掃碼加(或七月在線任一老師)咨詢
? 第一篇 谷歌大腦：開啟Transformer在計(jì)算機(jī)視覺獨(dú)霸一方的鼻祖：ViT
Vision Transformer：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
? 第二篇 蘋果公司：輕量級移動網(wǎng)絡(luò)霸主的自我更新：MobileViT
MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer
? 第三篇 FAIR(Facebook AI研究院)：何愷明大神最新佳作，75%損失的圖像重構(gòu)：MAE
MAE：Masked Autoencoders Are Scalable Vision Learners
? 第四篇 NLP大佬BERT的跨界視覺下預(yù)訓(xùn)練模型
BEiT: BERT Pre-Training of Image Transformers
? 第五篇 字節(jié)跳動首發(fā)：視覺任務(wù)的大規(guī)模預(yù)訓(xùn)練方法
iBOT: Image BERT Pre-Training with Online Tokenizer
? 第六篇 微軟亞洲研究院：2021 ICCV Best Paper
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
? 第七篇 微軟亞洲研究院：野心膨脹后的swin，目標(biāo)一統(tǒng)CV江湖：識別、檢測、分割
Swin Transformer V2: Scaling Up Capacity and Resolution
? 第八篇 OpenAI：多模態(tài)學(xué)習(xí)，超大規(guī)模模型預(yù)訓(xùn)練提取視覺特征
CLIP: Connecting Text and Images - OpenAI
? 第九篇 SaleForce：超越CLIP，統(tǒng)一視覺語言理解和生成
BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation
? 第十篇 香港大學(xué)：卷積網(wǎng)絡(luò)與Transfomer在計(jì)算機(jī)視覺領(lǐng)域大碰撞
ConvNets vs. Transformers: Whose Visual Representations are More Transferable?
? 第十一篇 FAIR(Facebook AI研究院)：20世紀(jì)20年代大爆發(fā)的卷積神經(jīng)網(wǎng)絡(luò)
ConvNeXt: A ConvNet for the 2020s
? 第十二篇 卡內(nèi)基梅隆大學(xué)：拒絕Transformer，卷積還是王道
Patches Are All You Need?
? 第十三篇 新加坡國立大學(xué)：橫掃CV多項(xiàng)記錄(識別、檢測、分割)，首個(gè)超越87%的模型
VOLO: Vision Outlooker for Visual Recognition
? ?第十四篇 清華大學(xué)：細(xì)粒度手勢重構(gòu)
Intaghand: Interacting Attention Graph for Single Image Two-Hand Reconstruction
? 第十五篇 都靈理工大學(xué)：充分利用時(shí)空Transformer的基于骨骼數(shù)據(jù)集的行為識別與分析
Skeleton-based Action Recognition via Spatial and Temporal Transformer Networks
? 第十六篇至第二十四篇 待報(bào)名學(xué)員一一提供，已報(bào)名學(xué)員想讀哪篇，則精讀哪篇
優(yōu)勢1：算法與論文齊頭并進(jìn)
授課教師會預(yù)先根據(jù)計(jì)算機(jī)視覺領(lǐng)域的最新科研發(fā)展在當(dāng)下各頂會中篩選出一系列論文，深入發(fā)掘各算法內(nèi)在創(chuàng)新點(diǎn)與知識點(diǎn)，且更進(jìn)一步逐句分析論文中各段落、語句之間的關(guān)系，算法創(chuàng)新模型與科研論文創(chuàng)作技巧并學(xué)，以深厚的SCI英文論文寫作功力和深耕多年的科研經(jīng)驗(yàn)帶領(lǐng)大家層層闖關(guān)。
優(yōu)勢2：精度哪篇?學(xué)員決定!
第十五篇之外，學(xué)員可向授課教師反饋下一階段感興趣但晦澀艱深的頂會論文，邀請授課教授對其精細(xì)帶讀講解。在這種前所未有的頂會論文的雙向選擇模式下，學(xué)員敢挑戰(zhàn)，我們敢迎接，共同把握當(dāng)下、抓住前沿、與時(shí)俱進(jìn)!
優(yōu)勢3：領(lǐng)讀人和論文同樣精挑細(xì)選
由在計(jì)算機(jī)視覺領(lǐng)域耕耘多年的研究員(博士)帶著精讀，同時(shí)具備工業(yè)界和學(xué)術(shù)界雙重資歷，并有著SCl論文審稿經(jīng)歷，可充分把握計(jì)算機(jī)視覺發(fā)展的風(fēng)向標(biāo)。
優(yōu)勢4：全方位剖析，拒絕泛泛而讀
針對每篇論文，除了最基本的算法模型講解外，更將從這些方面來深入剖析:論文價(jià)值、泛讀/精度的方法策略、寫作方法策略、經(jīng)典架構(gòu)再現(xiàn)、復(fù)現(xiàn)思路、代碼分析、未來改進(jìn)計(jì)劃。
2、自行讀頂會論文效率不高的，比如覺得頂會涉及理論盤根錯(cuò)節(jié)，難以理清，或者創(chuàng)新優(yōu)化方案神乎其神、匪夷所思，再或者平臺新增論文種類繁多，不好辨別
3、大廠算法/研究型人才，經(jīng)常需要讀頂會前沿paper
」同時(shí)針對于已發(fā)表過相關(guān)論文或想要發(fā)表更高層次(如:頂會)論文的同學(xué)建議大家可以參加一下七月在線的七月在高級的『AI學(xué)術(shù)論文1Vl發(fā)表輔導(dǎo)(名師全程輔導(dǎo)El/ei/SCl/各頂會)』。
一對一管家式服務(wù)，全程輔導(dǎo)，圍繞“國內(nèi)期刊、EI會議/ei期刊、SCI四區(qū)到SCl一區(qū)/CCF ABC三類、AI各頂會”做全程輔導(dǎo)，包括且不限于課題確定、創(chuàng)作、修改、投遞、發(fā)布等等，從而在導(dǎo)師輔導(dǎo)下學(xué)員獨(dú)立自主創(chuàng)作至成功發(fā)表；
且老師都是國內(nèi)外知名高校博士畢業(yè)且具備強(qiáng)大學(xué)術(shù)背景的師資團(tuán)隊(duì)，針對不同群體不同的訴求提供整體解決方案。
同時(shí)在學(xué)員在發(fā)表第一篇的過程中，讓學(xué)員掌握—套成體系的論文發(fā)表方法/策略/流程，為后續(xù)成為會議/paper收割機(jī)打下堅(jiān)實(shí)基礎(chǔ)。
