步骤6：在在电脑端弹出的系统更新界面点击“切换到其他版本”。

　　论文标题：UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks

　　核心解读：CycleGAN的推出将图像风格转换推向了新的高度。简单来说就是能把苹果变为橘子，把马变为斑马，把夏天变为冬天等等。它解决的是非配对的域转换。上文说了pix2pix虽然惊艳，但是存在必须依赖配对样本的缺点。CycleGAN利用循环一致loss解决该问题。说句题外话，真正在使用的时候，能配对尽量配对，可以显著提高生成的图片的质量和训练效率。

　　W-GAN

　　论文标题：上篇：TowardsPrincipledMethodsForTrainingGenerativeAdversarialNetworks下篇：WassersteinGAN

　　核心解读：本文将GAN理论研究推向新的高度。GAN自提出依赖就存在着训练困难、生成器和判别器的loss不可信赖、生成样本缺乏多样性等问题。本文提出一些实用且简单的trick，并推出Wasserstein距离，又叫Earth-Mover（EM距离。由于它相对KL散度与JS散度具有优越的平滑特性，理论上可以解决梯度消失问题。另外，本文的理论非常扎实，在业内广受好评，非常值得一读。

　　Focalloss

　　论文标题：FocalLossforDenseObjectDetection

　　核心解读：focalloss已经惊为天人，RetinaNet又锦上添花。focalloss是解决分类问题中类别不平衡、难样本挖掘的问题。根据预测来调整loss，有一种自适应的思想在里面。retinaNet是anchor-base中的经典作品，结构简单通用，成为很多后继工作的首选baseline。

　　IOUloss系列

　　论文标题：iou:UnitBox:AnAdvancedObjectDetectionNetworkgiou:GeneralizedIntersectionoverUnion:AMetricandALossforBoundingBoxRegressiondiou:Distance-IoULoss:FasterandBetterLearningforBoundingBoxRegressionciou:EnhancingGeometricFactorsinModelLearningandInferenceforObjectDetectionandInstanceSegmentation

　　核心解读：IOU是目标检测最根本的指标，因此使用IOUloss理所当然是治标又治本的动作。进化过程如下：IOULoss：考虑检测框和目标框重叠面积。问题是：1.两个box不重合时，iou永远是0，作为loss不合理。2.IoU无法精确的反映两者的重合度大小，因为对尺度不敏感。GIOULoss：在IOU的基础上，解决边界框不重合时的问题。就是引入两个box的外接矩形，将两个box的外部区域作为加入到loss里面。DIOULoss：在GIOU的基础上，考虑边界框中心距离的信息。将目标与anchor之间的距离，重叠率以及尺度都考虑进去。CIOULoss：在DIOU的基础上，考虑边界框宽高比的尺度信息。也是目前最好的一种IOUloss。

　　diceloss

　　论文标题：V-Net:FullyConvolutionalNeuralNetworksforVolumetricMedicalImageSegmentation

　　核心解读：旨在应对语义分割中正负样本强烈不平衡的场景，并且可以起到加速收敛的功效，简直是语义分割的神器。不过也存在训练不稳定等问题，因此有一些改进操作，主要是结合celoss等改进，比如:dice+celoss，dice+focalloss等。

　　CTCloss