行人重識別。偏應用，目前商湯華為等公司都有實際場景的需求。

推薦先看這篇心歷路程。。

夢裡風林：我的研究生這三年?

zhuanlan.zhihu.com圖標

(= 。=)

論文角度，如果不啃硬骨頭的話: 可以在baseline上做一些incremental的工作。

  1. 簡介: https://zhuanlan.zhihu.com/p/26168232
  2. 強力baseline (pytorch)：https://zhuanlan.zhihu.com/p/50387521
  3. 強力baseline (mxnet)：https://zhuanlan.zhihu.com/p/42345854
  4. 入門: https://www.zhihu.com/question/62928784/answer/236351943

啃硬骨頭的話: 解決一些熱點問題

  1. 比如這個回答中提到的 https://www.zhihu.com/question/65944772/answer/236372546

2. 跨域行人重識別 https://zhuanlan.zhihu.com/p/53660395

3. 少量訓練樣本 https://zhuanlan.zhihu.com/p/54576174

4. 行人屬性 https://zhuanlan.zhihu.com/p/37931822

5. 利用生成數據訓練 https://github.com/NVlabs/DG-Net

提名一下GAN吧，哈哈哈。感覺GAN的評估太玄了，多數屬於人眼看得過去就可以（MOS）【相比要在大型公開數據集刷點的任務，個人感覺如果都是水，那你GAN怎麼更水呢，23333（玩笑戲謔。。

可以看看CVPR 2020 上的GAN論文，真心好多：

CVPR 2020的117篇GAN生成對抗網路論文分類大匯總

CVPR 2020最全GAN生成對抗網路論文匯總！（附帶介紹）

GAN相關閱讀：

1.GAN公式簡明原理之鐵甲小寶篇

  1. GAN整整6年了！是時候要來捋捋了！
  2. 數百篇GAN論文已下載好！搭配一份生成對抗網路最新綜述！
  3. 新手指南綜述 | GAN模型太多，不知道選哪兒個？
  4. 人臉圖像GAN，今如何？（附多篇論文下載）
  5. 人臉生成新SOTA？
  6. 語義金字塔式-圖像生成：一種使用分類模型特徵的方法
  7. 拆解組新的GAN：解耦表徵MixNMatch
  8. CVPR 2020 | StarGAN第2版：多域多樣性圖像生成
  9. CVPR 2020 | GAN中的反射/反光、陰影
  10. CVPR 2020 | 幾篇GAN語義生成論文
  11. CVPR 2020 | 10篇改進GAN的論文（網路、訓練、正則等）
  12. CVPR 2020 | 11篇GAN圖像轉換img2img 的論文
  13. CVPR2020之MSG-GAN：簡單有效的SOTA?
  14. CVPR2020之姿勢變換GAN
  15. CVPR2020之多碼先驗GAN：預訓練好的模型怎麼使用？
  16. 兩幅圖像！這樣能訓練好 GAN 做圖像轉換嗎？
  17. 2020年5月60篇GAN論文匯總
  18. 最新下載！2020年4月份70多篇GAN論文！
  19. 最新下載！一覽2020年3月至今90多篇GAN論文！
  20. 最新下載！一覽2020年2月50多篇GAN論文！
  21. 一覽！2020年1月份的GANs論文！
  22. 2019年12月份的GANs論文一覽
  23. 這麼多！11月份來的這些GAN論文都在解決什麼方向的問題？

部分應用介紹：

  1. 臉部轉正！GAN能否讓側顏殺手、小豬佩奇真容無處遁形？
  2. 【無中生有的AI】關於deepfake的入門級梳理
  3. 容顏漸失！GAN來預測？
  4. 異常檢測，GAN如何gan?
  5. 虛擬換衣！這幾篇最新論文不來GAN GAN？
  6. 臉部妝容遷移！速覽幾篇用GAN來做的論文
  7. 有點誇張、有點扭曲！速覽GAN如何誇張漫畫化人臉！
  8. 見微知細之超解析度GAN！附70多篇論文下載！
  9. 天降斯雨，於我卻無！GAN用於去雨如何？
  10. 結合GAN的零次學習（zero-shot learning）
  11. 強數據所難！SSL（半監督學習）結合GAN如何？
  12. 弱水三千，只取你標！AL(主動學習)結合GAN如何？
  13. 【1】GAN在醫學圖像上的生成，今如何？

目前很多計算機視覺的方向都是一線實驗室或者大廠（如google）之間的比拼，沒有顯著的計算資源，工程能力是很難在這些方向上發文章的。個人覺得比較好發文章的方向比如weakly supervised segmentation(detection, object localization), GAN的一些應用，co-segmentation 等等。

謝邀。

個人感覺，論文肯定是有獨創演算法且實踐效果好才可以發表在CCF-A類會議中的。

但是在企業中，更看重演算法模型的快速部署和線上應用。建議可以多多關注下模型壓縮層面的事情，這個是在可以應用在各種模型中的，通過對模型中不同模塊間的處理（壓縮、降維、變換等操作）可以尋找到高效且輕量的演算法，這會給產品帶來很大的提升。

現在視覺識別技術，商用上線強烈要求縮小模型和提高速度，保證準確率的情況下。另外情感識別可以考慮考慮

跨方向的，比如醫學圖像處理，用目標檢測來檢測腫瘤位置。

把深度學習方法和經典信號處理結合起來，比如：

Non-local Neural Networks[1] = 非局部均值降噪 + 深度學習

深度殘差收縮網路[2] = 軟閾值化 + 殘差網路

參考

  1. ^Non-local Neural Networks https://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Non-Local_Neural_Networks_CVPR_2018_paper.pdf
  2. ^深度殘差收縮網路 https://ieeexplore.ieee.org/document/8850096

都不好發，要深耕精耕。。。

推薦閱讀：
相关文章