沒(méi)有仔細(xì)精讀論文牍白，有些想法可能未必正確轨奄，周末把內(nèi)容精細(xì)化并擴(kuò)充
- point-capsule for point cloud recognition
目前已經(jīng)有3D capsule和pointnet/pointnet++了馏臭，看看能否把capsule改造成快速高效應(yīng)對(duì)point cloud data的改進(jìn)模型
整理3D deep learning / capsule / graphical CNN (deep graphical network) / deep fisher net論文集并認(rèn)真閱讀
先從讀pointnet入手？先做一個(gè)general survey
de-capsule 模仿FCNN中反卷積deconvolution的模式姜贡，構(gòu)建capsule的反向模式囱怕，實(shí)現(xiàn)capsule-type end-to-end (不知道這個(gè)可行否)
學(xué)習(xí)self-attention機(jī)制的論文，構(gòu)建 (1) Self-attention 3d capnet,(2) Self-attention point net
結(jié)合transfer learning/semi-supervised learning構(gòu)建co-attention CNN/capsule
capsule是否能引入latent variable用以增強(qiáng)對(duì)幾何關(guān)系的描述能力萍倡？思路就是：latent capsule networks - bridging statistical and information theory for structure relationship representation ?/ relational capsule network / check relation CNN
張鈸身弊、朱軍團(tuán)隊(duì)最新論文：深度隱式模型 + 概率圖模型 = Graphical-GAN
https://www.leiphone.com/news/201804/4ed0ZWDrWP1XN6hw.html
- CVPR2018中GAN特別火，能否提出Adversarial deep density clustering???
attention clustering ->擴(kuò)展到science中的density clustering中列敲？for video segmentation?
GAN in MRF 阱佛？ bridging statistical model and deep NN
CNN in MRF: Video Object Segmentation via Inference in A CNN-Based Higher-Order Spatio-Temporal MRF
本文由 AI Lab 獨(dú)立完成。本文討論了視頻對(duì)象分割的問(wèn)題戴而，其中輸入視頻的第一幀初始對(duì)象的掩膜是給定的凑术。作者提出了一個(gè)新的時(shí)空馬爾可夫隨機(jī)場(chǎng)（MRF）模型來(lái)解決問(wèn)題。與傳統(tǒng)的 MRF 模型不同所意，作者提出的模型中像素之間的空間相關(guān)性由卷積神經(jīng)網(wǎng)絡(luò)（CNN）編碼淮逊。具體而言，對(duì)于給定的對(duì)象扶踊，可以通過(guò)用該對(duì)象預(yù)先訓(xùn)練的CNN來(lái)預(yù)測(cè)一組空間相鄰像素進(jìn)行分割標(biāo)記的概率泄鹏。因此，集合中像素之間的更高階更豐富的依賴關(guān)系可以由 CNN 隱式建模秧耗。然后通過(guò)光流建立時(shí)間依賴關(guān)系命满，所得到的MRF模型結(jié)合了用于解決視頻對(duì)象分割的空間和時(shí)間線索。然而绣版，由于其中非常高階的依賴關(guān)系胶台，在MRF模型中執(zhí)行推理非常困難尝江。為此控硼，作者提出了一種新穎的嵌入 CNN 的近似算法來(lái)有效地執(zhí)行MRF模型中的推理遂赠。該算法通過(guò)迭代交替執(zhí)行兩個(gè)步驟：時(shí)間融合步驟和前饋CNN步驟宁否。通過(guò)使用一種簡(jiǎn)單的基于外觀的分割CNN進(jìn)行初始化，作者提出的模型性能超過(guò)了DAVIS 2017挑戰(zhàn)賽的獲獎(jiǎng)方法铸磅，而無(wú)需借助模型集成或任何專用檢測(cè)器赡矢。
- interactive/interaction 是一個(gè)大類(lèi)，交互式阅仔，參考active learning
interactive deep clustering (先check interactive clustering)
