第二天 寻找了三篇深度学习综述(深度学习，目标检测，图像分割)

##################

Image Segmentation Using Deep Learning: A Survey本文梳理了172篇相关文献。本文全面回顾了撰写本文时候的文献。包括但不限于全卷积像素标记网络（FCN），编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型和对抗环境中的生成模型；从最早的方法（阈值化，K均值聚类，分水岭）到后来（随机场，细数方法一类的）再到后来深度学习网络成为新一代图像分割模型。本文对这些不同方法（训练数据，网络架构，损失函数，训练策略）比较总结了这些方法的性能。并讨论了该领域有希望的未来研究方向。1.FCN2.CNN和全连接GRF组合的语意分割3.encode-decoder(vgg/u-net/v-net)4.多尺度分析5.R-cnn的实例分割6.扩张，膨胀卷积7.注意力机制以及还有图像分割的数据集（2D,2.5D,3D）综述地址：https://arxiv.org/abs/2001.05566##################

A Survey of Modern Deep Learning based Object Detection Models本文梳理了截止到2020年基于深度学习目标检测的最新研究进展的速读手册。分别介绍了目标检测中一些关键挑战（遮挡，类内变化，类别数量，效率）；常见的数据集；backbone架构，one-stage，two-stage的方法以及发展历程；以及squeeze net这样的轻量网络。最后，在多个评价指标上面对比了这些架构的性能。综述地址：https://arxiv.org/abs/2104.11892##################

Recent Advances in Deep Learning: An Overview近年来深度学习的一个最新进展。包括但不限于1.深度架构的演变（感知机-神经网络-svm-MLP）2.深度学习方法（监督，无监督，半监督，强化学习） 3.深度神经网络（CNN，自编码器这样的一些变体，R-cnn,残差网络（resnet）,胶囊网络，循环神经网络）4.深度生成模型（对抗网络，循环支持向量机等）5.训练和优化技术（正则化什么的）6.深度学习的应用（图像分类，语义识别，人脸识别，医学领域）7.理解深度学习需要重新思考和概括综述地址：https://arxiv.org/pdf/1807.08169v1.pdf

明天深入研究一下分割这篇综述。。。