人脸检测是许多人脸识别和人脸分析系统的关键第一步。早期的人脸检测方法主要是基于从局部图像区域手工提取特征的基础上构建分类器，如Haar级联和梯度定向直方图。然而，这些方法还不够强大，无法对来自不受控制环境的图像实现高精度。

在人类中，注意力是所有感知和认知操作的核心属性。考虑到我们处理竞争性信息来源的能力有限，注意力机制选择、调整和关注与行为最相关的信息。

自从2010年以来，深度学习技术对语音，语言，视觉等子领域的推动，在语言和视觉跨模态交叉学科领域我们也取得了很多激动人心的进展，包括跨语言与图像的理解、推理和生成。多模态智能旨在融合多种模态的信息进行处理实现智能应用，在5G时代将会是重要的热点技术之一。最近IEEE Fellow何晓东和邓力等作者撰写关于多模态智能的综述论文《Multimodal Intelligence: Representation Learning, Information Fusion, and Applications》，详述了多模态智能研究进展，涵盖259篇参考文献，本文从学习多模态表示、多模态信号在不同层次上的融合以及多模态应用三个新角度对多模态深度学习的最新研究成果进行了综合分析。

论文综述

我们总结了知识图谱的创建、丰富、质量评估、细化和发布的方法。我们将概述著名的开放知识图谱和企业知识图谱及其应用，以及它们如何使用上述技术。最后，我们总结了未来高层次的知识图谱研究方向。

由于时空数据量的激增，基于位置的服务和应用的普及，以及从时空数据中提取知识以解决广泛的现实问题的重要性，在过去十年中，在空间和时空数据分析领域进行了大量的研究和开发工作。现有作品的主要目标是开发算法和技术来捕捉、存储、管理、分析和可视化空间或时空数据。

本文介绍34页小样本学习综述《Generalizing from a Few Examples: A Survey on Few-Shot Learning》，包含166篇参考文献，来自第四范式和香港科技大学习的研究学者。

深度生成建模是一类训练深度神经网络对训练样本分布进行建模的技术。研究已经分成了各种相互关联的方法，每一种方法都进行了权衡，包括运行时间、多样性和体系结构限制。特别是，本综述涵盖了基于能量的模型、变分自编码器、生成对抗网络、自回归模型、规一化流，以及许多混合方法。这些技术是在一个单一个框架下绘制的，比较和对比来解释每种技术背后的前提，同时回顾当前最先进的进展和实现。

本文对深度学习中模型复杂性的最新研究进行了系统的综述。深度学习的模型复杂度可分为表达能力和有效模型复杂度。从模型框架、模型规模、优化过程和数据复杂性四个方面回顾了现有的研究成果。我们还讨论了深度学习模型复杂性的应用，包括理解模型泛化能力、模型优化、模型选择和设计。

域泛化(DG)，即分布外泛化，近年来引起了越来越多的关注。领域泛化处理一个具有挑战性的设置，其中给出了一个或几个不同但相关的领域，目标是学习一个可以泛化到看不见的测试领域的模型。