跟李沐学AI-动手学深度学习 PyTorch版-02 深度学习介绍
跟李沐学AI-动手学深度学习 PyTorch版-01 课程安排
学习报告：用于视频修复的时空联合Transformer网络
中山大学和微软亚洲研究所团队提出了一种高质量的视频修复方法，可以填补视频帧中的缺失内容。相关论文于2020年10月发表在计算机视觉顶级会议之一的欧洲计算机视觉国际会议European Conference on Computer Vision （ECCV）。论文题目为《Learning Joint Spatial-Temporal Transformations for Video Inpainting》，本文将会对论文中的方法进行介绍。
图 1 论文发表截图
学习报告：脑机接口和增强/虚拟现实
德国不莱梅大学Felix Putze等人在研究现实增强（Augmented Reality , AR）与虚拟现实（Virtual Reality , VR）技术与脑机接口（Brain-Computer Interfaces , BCI）结合的巨大潜力，进一步提高AR/VR的沉浸性，提高BCI在康复和控制方面的可用性。相关成果作为Editorial论文于2020年5月发表在 《Frontiers in Human Neuroscience 》 杂志上。原文题目为Brain-Computer Interfaces and Augmented/Virtual Reality。本文将会对论文中的内容进行介绍以及自己的总结。
图1 论文发表图
跟李沐学AI-动手学深度学习 PyTorch版-00 预告
学习报告：通过视频学习三维人脸模型
三维人脸重建就是建立人脸的三维模型，它相对于二维人脸图像多了一个维度，在电影和游戏等领域应用广泛。马克斯·普朗克计算机科学研究所与斯坦福大学的科研人员于2019年提出了一种新型的面部三维重建模型，最终得到的效果十分惊艳。该模型基于自监督学习，完全从零开始学习，使用了来自 YouTube 抓取的 6000 多个名人的视频片段进行训练；其将面部的多种特征分离再重新组合，结构化程度很高；且其能以任意帧数重建人脸面部，适用于单目和多帧重建。这项工作被CVPR2019接收，原文题目为FML: Face Model Learning from Videos。
图1 FML: Face Model Learning from Videos (CVPR2019)
学习报告：通过神经网络图稳定的即插即用脑机接口
加州大学Karunesh Ganguly小组的一项最新研究研制了稳定的即插即用的脑机接口（BCI）。 相关论文于2020年9月7日发表在《自然—生物技术》顶级SCI 杂志(影响因子为36.558) 上。 原文题目为Plug-and-play control of a brain–computer interface through neural map stabilization。本文将会对论文中所提出的方法进行详细的讲解。
图1 论文发表图
学习报告：一种用于微表情识别的基于图结构表示的新型“图-时序卷积网络”
原文题目为A Novel Graph-TCN with a Graph Structured Representation for Micro-Expression Recognition，收录于2020年ACM International Conference on Multimedia (ACM MM)。本文将会对论文中所提出的方法进行讲解，以及分享自己对于这篇论文的思考与感悟。
图1 论文截图
设计模式-一句话归纳设计模式
下面总结一下这 23 种设计模式，方便日后复习和查阅。