这里汇总了2018年9月以来的Weekly Arxiv推送，如无意外每周至少有2篇。推送中整理了分类、检测、模型压缩等方向的最新文章，写明了【标题、Arxiv链接、研究机构、文章代码链接】等文章基本信息，并对文章进行了简介归纳、关键技术梳理、结果总结和创新亮点分析。
为了格式考虑，建议下载html文件后用浏览器打开查看
| Index | Time | Key Focus | Title and Highlight | Link |
|---|---|---|---|---|
| 001 | 2018.9.6 | 人脸匹配 | Deep Multi-Center Learning for Face Alignment 本文通过多轮廓估计层（shape prediction layer, SPL）更好地在遮挡、多相外观等复杂数据条件下解决了face alignment问题。 |
URL |
| 002 | 2018.9.14 | 物体检测 | Acquisition of Localization Confidence for Accurate Object Detection 利用IoU-Net提升NMS选框的性能，并利用新的方法微调选出的bbox最终提高检测性能。 |
URL |
| 003 | 2018.9.23 | 模型压缩 | Soft Filter Pruning for Accelerating Deep Convolutional Neural Networks 通过channel wise的网络软剪枝保留更多网络描述能力，从而在同样的pruning rate下取得更高的performance! |
URL |
| 004 | 2018.9.27 | 模型压缩 | AMC: AutoML for Model Compression and Acceleration on Mobile Devices Song Han组新工作，利用网络自动搜索技术进行网络压缩，并取得超过手动压缩的性能。 |
URL |
| 005 | 2018.10.11 | 模型研究 | Reconciling Feature-reuse and Overfitting in DenseNet with Specialized Dropout 运用在DenseNet架构中的全新Dropout。 |
URL |
| 006 | 2018.10.15 | 模型研究 | Elastic Neural Networks for Classification 通过弹性网络架构压制梯度消失来提升部分backbone的性能，同时赋予网络快速inference的能力。 |
URL |
| 007 | 2018.10.20 | 人脸数据 | Consensus-Driven Propagation in Massive Unlabeled Data for Face Recognition 利用半监督学习和主动学习的思想，依托已有的标注数据，将海量无标注数据自动标注后引入训练，提升训练效果。 |
URL |
| 008 | 2018.10.25 | 压缩综述 | Rethinking the Value of Network Pruning 对网络压缩技术的探究性工作，指出了几个旧有的错误印象，得出了新的指导性结论，能够辅助优化网络压缩过程。 |
URL |
| 009 | 2018.11.23 | 模型研究 | GPipe: Efficient Training of Giant Neural Networks using Pipeline Parallelism 本文利用流水线搭建超大规模网络提升点数，同时引出对up-to-date的数据增强策略和AmoebaNet网络介绍。 |
URL |
| 010 | 2018.11.23 | 模型研究 | Regularized Evolution for Image Classifier Architecture Search 提出AmoebaNet，最近的ImageNet Backbone，达到83.9%/96.6%的t1/t5 acc。 |
URL |
| 011 | 2018.11.23 | 模型研究 | AutoAugment: Learning Augmentation Policies from Data 自动数据增强(Auto Augment)算法，利用更高级的数据增强涨点。 |
URL |
| 012 | 2018.12.20 | 模型研究 | 本文综述了一系列利用正则化和增强，在cifar/imagenet上对抗overfitting的技术，其中state-of-the-art的部分对一些backbone的涨点较有实用价值。 | URL |