- MM基于 Transformer 的 6G 智能网络：从海量 MIMO 处理到语义通信
介绍了一种名为 transformer 的新型深度学习架构及其在 6G 网络设计中的应用，借助其自注意机制和强大的表示能力，提出了解决大规模 MIMO 和语义通信问题的解决方案，显示出优越性并探讨了其未来研究方向。
- 动态多模态融合
本文提出了一种动态多模态融合的方法，可以在预测过程中根据数据的不同需求自适应地融合多模态数据，从而有效地减少计算成本，并在多个多模态任务上获得了良好的效果，这为动态多模态网络设计开辟了一条新的方向。
- 体积标量场的压缩神经表示
本文提出了一种使用隐式神经表示法来压缩三维标量场的方法，通过将标量场表示为学习到的函数，通过设置神经网络的权重数小于输入大小，压缩表示方法成为函数逼近，结合网络权重的精细量化，实现了高度紧凑表示，胜过了现有的体积压缩方法，并对网络设计选择对 - CVPR通过渐进式精化网络进行 Mask 引导背景抠像
我们提出了一种名为 Mask Guided Matting 的稳健抠图框架，它以一般粗略掩膜为指导，利用 PRN 网络设计逐步优化不确定区域，同时通过一系列指导掩膜扰动操作增强其对外部指导的稳健性。我们重新审视了前景色预测问题，提出了一个简 - 重构文本分割：一个新的数据集和文本特定的优化方法
本文提出了一个新的文本分割方法 TexRNet 和一个大规模的细致注释的文本数据集 TextSeg，通过引入文本特定的网络设计，例如关键特征池化和基于注意力的相似性检查，以及 trimap 和判别器损失来解决传统分割模型上存在的问题，包括非 - 使用手持设备在野外实时进行单张图像深度感知
探究采用适当的网络设计和训练策略以及如何将结果网络映射到手持设备以实现实时性能的方式解决单张图像深度估计的低可靠性和需求高计算资源的问题，并通过实验证明这些快速网络具有良好的泛化能力以用于现实应用，包括野外中的实时深度感知增强现实和图像模糊 - CVPRNTIRE 2020 感知极致超分辨率挑战赛：方法和结果
本文介绍了 NTIRE 2020 关于知觉极限超分辨率的挑战，重点关注了提出的解决方案和结果。挑战任务旨在基于先前的低和高分辨率图像集合对输入图像进行 16 倍的超分辨率处理，通过设计网络实现最佳知觉质量和接近真实效果的高分辨率结果，并评估 - CVPR设计网络设计空间
本研究提出了一个新的网络设计范例，设计空间中的好网络可以通过一个量化的线性函数解释，所设计的 RegNet 具有简单、快速的特点，在 GPU 上与当前流行的 EfficientNet 相比，具有更好的性能表现。
- VarGNet: 可变组卷积神经网络用于高效嵌入式计算
本文提出了一种新的嵌入式计算网络设计机制，名为 VarGNet，它基于固定通道数的组卷积，使得网络更容易在硬件端进行优化，针对分类、检测、像素级解析和人脸识别等各种视觉任务的广泛实验证明了 VarGNet 的实用价值。
- 带逻辑约束的混合整数优化问题的统一方法
本文研究了一种统一的框架方法用于解决一类混合整数优化问题，通过对其逻辑约束进行非线性方式的表达，结合规则化条件及基于混合精度算法，形成了凸二进制优化问题，并利用一种综合的数字策略方法解决问题。
- ICCV少样本无监督图像到图像翻译
本论文提出一种基于生成对抗网络和网络设计的少样本无监督图像转换算法，通过在基准数据集上的大量实验验证与多种基线方法比较，证明了提出的框架的有效性。
- 6G 路线图 -- 人工智能赋能的无线网络
本文讨论了 6G 的潜在技术以支持移动人工智能应用，并探讨了能够设计和优化 6G 架构、协议和运营的 AI 启用方法。
- EdgeSpeechNets: 边缘高效的深度神经网络语音识别
本文探讨一种人机协同设计策略，通过人驱动的设计原则网络设计原型和机器驱动的设计探索来构建语音识别的低存储深度神经网络体系结构，实验证明此设计策略可以构建出一系列高效率的 DNNs，用于有限词汇的语音识别，更高的精度与更小的网络体积以及更低的 - ECCV重新思考时空特征学习：视频分类的速度和准确性权衡
本研究通过优化设计网络结构，系统地探讨了关键网络设计选择，包括将大量 3D 卷积替换为低成本的 2D 卷积、可分离的空间 / 时间卷积和特征门控等，进而建立了一个有效而高效的视频分类系统。实验表明本文方法不仅速度更快，而且在行动分类基准测试 - Peephole：训练前预测网络性能
通过使用 LSTM 对网络的架构进行编码，我们提出了一种先验预测网络性能的方法，并进行了实证研究，证明此方法能够准确可靠地预测网络性能并产生一致的排名。
- 网络机器学习：工作流程、进展和机会
本文介绍了机器学习技术在网络领域的应用及其工作流程，并针对不同的网络设计目标分析了其具体实现和优势，旨在为研究人员提供广泛的研究方向及指南。
- NIPS神经网络中的树状结构组成，无需树状结构架构
本论文通过对人工数据任务的实验，研究了基于树结构和基于序列的神经网络模型对于递归组合结构的应用效果。结果表明，基于序列的 LSTM 模型同样能够识别该结构并进行相应运用，但树结构模型在处理这种结构时表现更为出色。