异常检测已经取得了非常突出的进展。考虑到异常的多样性，通常的异常检测方案是首先拟合出正常样本的分布，之后检测该分布之外的离群点作为异常。

本篇文章将回顾那些年的一些经典卷积神经网络，并提炼要点且从以下几方面来进行阐述。

Domain generalization（DG: 域泛化）一直以来都是各大顶会的热门研究方向。

本篇不讲任何正负样本定义的方法，以及各种采样的方法，只从实际训练角度思考正负样本背后的本质问题。

近年来, 大规模视觉语言预训练模型在计算机视觉领域 "大放异彩". 此类模型拥有强大的表征能力, 编码的特征具有很强的泛化能力和鲁棒性.

将prompt tuning应用到生成式多模态预训练模型当中，具体就是实现在此前我们提出的OFA上。

本文提出的gnConv可以看作是即插即用模块，通过通道划分特征和特征间相乘的方式提出了一个较为新颖的结构。

训练大模型最近在NLP和Vision领域都发展迅速，成为了深度学习领域的热门研究课题。

单目全景深度估计（monocular omnidirectional depth estimation, MODE）是三维场景理解中的一个子领域

当使用监督学习(Supervised Learning)对大量高质量的标记数据(Labeled Data)进行训练时，神经网络模型会产生有竞争力的结果。

本文主要讲inference time的效率问题，简单说就是如何让模型更快，同时性能不掉太多甚至反升。

去年Amusi 盘点过：目标检测三大开源神器：Detectron2/mmDetection/SimpleDet。大家反映内容很棒。