2018CVPR
1）收集和标注大量的数据来训练模型往往是实际场景中提升性能最简单有效的办法。然而，即便是有大量人力物力的企业，也很难对手头的海量数据完全标注，因此，半监督/弱监督学习是一个十分重要的课题。
2）关于数据的另一个问题是，即使我们在一个庞大的数据集上训练得到了很好的模型（以验证集为评价依据），当我们将其投入实际应用时，可能会因为该场景下的数据分布与已有的数据分布有较大差异，性能明显下降。
例如，这一问题在行人再识别中尤其明显，由于摄像头参数、光照等原因，实际场景可能会遇到分布很不相同的数据。迁移学习（Transfer Learning）是解决这一问题的常用思路，这也是本次会议论文的一个重要方向。
3）生成对抗网络（GAN）依然火热，在多种应用中都发挥了重要作用。
4）随着深度学习应用落地，在很多场景下可利用的存储和计算资源受限，比如在手机端、自动驾驶车辆上。因此，关于模型压缩、计算加速的文章也是非常重要的课题。