A Survey of Visual Transformers 2021.pdf

人体姿态估计的目的是通过图像、视频等输入数据定位人体部位，构建人体表征(如人体骨架)。在过去的十年中，它受到了越来越多的关注，并被广泛应用于人机交互、运动分析、增强现实和虚拟现实等领域。

深度学习在人工智能的广泛应用中取得了可喜的成果。更大的数据集和模型总是产生更好的性能。然而，我们通常花更长的训练时间在更多的计算和通信上。

注意力机制是深度学习方法的一个重要主题。清华大学计算机图形学团队和南开大学程明明教授团队、卡迪夫大学Ralph R. Martin教授合作，在ArXiv上发布关于计算机视觉中的注意力机制的综述文章[1]。该综述系统地介绍了注意力机制在计算机视觉领域中相关工作，并创建了一个仓库.

机器学习，图形处理技术和医学成像数据的可用性的快速发展导致在医学领域深度学习模型的使用迅速增加。基于卷积神经网络（CNN）的体系结构的快速发展加剧了这种情况，医学成像社区采用了该体系结构来帮助临床医生进行疾病诊断。

背景介绍 建了仓库，地址在这里： 点star不迷路，相关文章在github上更新的会更交替一点QAQ 之前做过调整的命名体识别，项目背景实际上也很简单，就是我要做一个关键词匹配的功能，第一步我需要挖掘关键词。 ，明星领域，财经领域等等吧，这些领域的文本很有特色，一般人名/地名/公司名称/书名/电影名称都可以很好的表示文本关键信息。 在这种项目背景之下，很自然的就会想到使用命名体识别。我把在做这个项目的过程中，积累的一些资料汇总了一下，希望对大家有所帮助。 关于命名体识别，这是一个很大的领域，要做好，有很多工作要做。标题完全是为了能增加曝光，自己还是知道只是一个小学生，我会把自己看过的有用的东西都列出来，给大家提供一些先验信息。 之后看到的关于nert的文章会在此基础继续更新（最近存了好多新文章还没看/苦逼码农/ QAQ），不过建议大家star一下Github，不迷路，我给自己的计划是精读一

生成式对抗网络（Generative Adversarial Networks，GANs）作为近年来的研究热点之一，受到了广泛关注，每年在机器学习、计算机视觉、自然语言处理、语音识别等上大量相关论文发表。密歇根大学Jie Gui博士等人近期发布了《A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications》，包括28页pdf，这篇综述论文对460余篇论文进行了尝试从算法，理论和应用的角度对各种GANs方法进行叙述。

目标分割和目标跟踪是计算机视觉领域的基础研究领域。这两个主题很难处理一些常见的挑战，如遮挡、变形、运动模糊、缩放变化等。前者包含异构对象、交互对象、边缘模糊性和形状复杂性;后者在处理快速运动、不可见和实时处理方面存在困难。

基于内容的图像检索旨在针对查询图像从大规模数据集中找到相似的图像。通常利用查询图像的代表性特征与数据集图像之间的相似性对检索图像进行排序。

美国埃默里大学医学院Xiaofeng Yang老师课题组新出的这篇论文对近几年医学图像配准深度学习方法进行了全面综述，根据其方法、特征和流行程度分为七类，对每个类别进行了详细的调研，强调了其重要的点及其相应挑战，帮助读者更好地了解当前的研究现状和思路，并且使用基准数据集对基于深度学习的肺和脑配准方法进行了全面比较，最后也介绍了未来的研究方向。