RAN: Radical analysis networks for zero-shot learning of Chinese characters

- 2017年11月
-   
- 中科大

　　用於漢字識別（其特點就是漢字太多但基礎結構大約只有500個）；提出基礎結構分析網路（Radical Analysis Networks，RAN)；網路結構是CNN編碼器+RNN解碼器；是一種zero-shot learning

Attentional Pooling for Action Recognition

- 2017年11月
-   
- 卡內基梅隆大學

　　用於行為識別和人物件互動任務（human object interaction tasks）；rink-pooling；雙線性的低秩pooling方法（用於細粒度分類）

A Fully Convolutional Tri-branch Network (FCTN) for Domain Adaptation

- 2017年11月
- 領域自適應，語義分割；
- 洛杉機南加州大學

　　用於城市場景分割的領域適應方法；提出fully convolutional tri-branch network (FCTN)，是FCN，其中兩個分支將偽標籤分配給未標記的目標域中的影象，而第三分支在基於偽標籤目標域中的影象的監督下訓練。重新貼標籤和重新訓練過程交替。
　　三分支網路逐步學習目標特定的判別式表示，在synthetic (GTA) and real (Cityscapes) images資料集上進行實驗，實驗結果表明分段器的跨域能力提高。

MicroExpNet: An Extremely Small and Fast Model For Expression Recognition From Frontal Face Images

- 2017年11月
- 輕量化的網路；用於面部表情識別
- 中東工業大學【土耳其】

　　為正面人臉影象中的面部表情識別（FER）問題創建極小的快速卷積神經網路（CNN）。
　　網路結構超簡單(比lenet還簡單)。
我們表明，對於FER，翻譯不變性（通過最大池層來實現）會降低效能，特別是當網路較小時；使用知識蒸餾方法(Student-Teacher)可以用來獲得極度壓縮的CNN。
　　實驗在兩個常用的FER資料集CK+和Oulu-CASIA上。
　　有程式碼!

MegDet: A Large Mini-Batch Object Detector

- 2017年11月
- 加速訓練的演算法   
- 北大，face++

　　用於物體檢測任務，主要研究的是加速訓練,提高 batch size 來實現目標檢測。
　　最近基於CNN的物件檢測工作的改進主要來自新網路或框架或損失設計。但是，小批量訓練的關鍵因素還沒有得到很好的研究。
　　在本文中，我們提出了一種大型小批量物體檢測器（MegDet），可以實現比以前更大的小批量（例如從16到256）的訓練，以便我們可以有效地利用多個GPU（高達128英寸我們的實驗）顯著縮短訓練時間。
　　從技術上講，我們建議採用學習率策略和跨GPU批量標準化，這些技術一起使我們能夠在更短的時間內（例如從33小時到4小時）成功培訓大型小批量檢測器，並獲得更高的精度。

Face Attention Network: An Effective Face Detector for the Occluded Faces

- 2017年11月
- 用於遮擋人臉的人臉檢測；Face Attention Network (FAN)
- 北航；face++

　　實驗在WiderFace和MAFA上。
　　網路結構簡單，使用resnet作為基礎網路，並用skip得到feature金字塔，最後用接著cls-reg-attention subnet。

Feature Agglomeration Networks for Single Stage Face Detection

- 2017年12月
- 就是基於特徵金字塔網路（FPN），結合提出的concat模組和分層loss
- 新加坡管理大學；浙大；DeepIR(深圖智服)   

　　實時地人臉檢測。
　　we construct our FAN architecture using a new Agglomerative Connection module and further propose a Hierarchical Loss to effectively train the FAN model.

The Enhanced Hybrid MobileNet

- 2017年12月  
- 增強混合mobilenet；無價值
- 臺灣師範大學

　　其實就是，mobilenet的分離卷積模組的channel數，變多或變少，然後做實驗比較一下，實際資料佔了大部分內容。

Symbol detection in online handwritten graphics using Faster R-CNN

- 2017年12月
- 手寫圖形中的符號檢測（流程圖、數學表示式等）
- 聖保羅大學【美】

　　線上手寫圖形（例如圖表和數學表示式）中的符號檢測技術由專門為單一圖形型別設計的方法組成。
　　論文以faster-RCNN作為檢測手寫圖形中符號的一般方法。評估該網路使用不同配置，並指出與資料的手寫本質有關的問題。
　　在公開可用的流程圖和數學表示式（CROHME-2016）資料集上評估方法。結果顯示，flowchart和CROHME-2016資料集都可以有效地使用faster-RCNN。