课程来源：李宏毅2018生成对抗网络课程
课程主页：http://speech.ee.ntu.tw/~tlkagk/courses_MLDS18.html
文章梗概：WGAN 作者首先详细证明了为什么原始 GAN 训练困难的问题，然后提出解决方案，用 Wasserstein 距离来衡量两个分布之间的距离。
Introduction to Unsupervised Conditional GAN
课程来源：李宏毅2018生成对抗网络课程
课程主页：http://speech.ee.ntu.tw/~tlkagk/courses_MLDS18.html
文章梗概：本文降介绍非监督的条件GAN，只有两个数据域的数据，并不存在pair关系，其中会介绍最为经典的cycleGAN。
Introduction to Conditional GAN
课程来源：李宏毅2018生成对抗网络课程
课程主页：http://speech.ee.ntu.tw/~tlkagk/courses_MLDS18.html
文章梗概：本文介绍了条件对抗生成网络，与一般的GAN不同，条件GAN的输入并不是随机向量，而是条件。
【论文阅读】—— Convolutional Networks with Adaptive Computation Graphs
Title：Convolutional Networks with Adaptive Computation Graphs
Authors：Andreas Veit, Serge Belongie
Abstract：作者提出了 Adanet，是一种自适应的计算图，在 ResNet 的基础上，加入了门结构来决定是否需要执行某个 block，引入这种门结构并没有带来额外太多的计算量，反而能加快训练过程。
【论文阅读】—— GaterNet, Dynamic Filter Selection in Convolutional Neural Network via a Dedicated Global Gating Network
Title：GaterNet: Dynamic Filter Selection in Convolutional Neural Network via a Dedicated Global Gating Network
Authors：Zhourong Chen, Yang Li, Samy Bengio, Si Si
Abstract：conditional computation 是指用网络的一部分层去预测结果，而不是整个网络。这样可以使网络中不同的卷积核能够从不同的样本中学习到特征，一定程度上提高了模型的泛化性能和可解释性。作者提出了一个根据输入样本动态选择卷积核的算法，模型包含两个网络：gater network 和 backbone network，gater network 决定样本通过 backbone network 时需要经过哪些卷积核。
【论文阅读】—— MobileNetV2, Inverted Residuals and Linear Bottlenecks
Title：MobileNetV2: Inverted Residuals and Linear Bottlenecks
Authors：Google 团队
Session：CVPR, 2018
Abstract：作者在 MobileNet-v1 的基础上，提出了两个 tricks：Linear Bottleneck 和 Inverted Residual，并提升了网络的性能。
【论文阅读】—— Dual Path Network
Title：Dual Path Network
Authors：颜水成团队
Session：NIPS, 2017
Abstract：近几年，ResNet 和 DenseNet 都在视觉任务上取得了比较好的成绩，作者结合两者的优点，提出一种双通道的网络 (dual path network, DPN)，并取得了 ILSVRC-2017 目标定位的冠军。
【论文阅读】—— FractalNet, Ultra-deep Neural Networks without Residuals
Title：FRACTALNET: ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS
Authors：Gustav Larsson, Michael Maire, Gregory Shakhnarovich
Abstract：作者提出了一个分形网络 (fractalNet)，并且认为 ResNet 中的残差计算并不是深层网络必须的，可以通过一种分形的结构，也可以达到很好的效果。
【论文阅读】——— ShuffleNet, An Extremely Efficient Convolutional Neural Network for Mobile
Title：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile
Authors：Face++团队
Session：CVPR, 2018
Abstract：作者提出一个效率极高的网络结构 ShuffleNet，专门应用于计算力受限的移动设备。网络利用两个操作：pointwise group convolution 和 channel shuffle，与现有先进模型相比在类似的精度下大大降低计算量。在 ImageNet 和 MS COCO 上 ShuffleNet 表现出比其他先进模型的优越性能。