用于語義場景完成的3D門控遞歸融合

用于大姿態(tài)人臉正面化的雙注意力GAN

Universal-RCNN：基于可轉(zhuǎn)移圖R-CNN的通用目標檢測器

用于圖像深度估計的無監(jiān)督域自適應

嵌套命名實體識別的神經(jīng)分層模型

論文名稱：3D Gated Recurrent Fusion for Semantic Scene Completion

作者： Liu Yu /Li Jie /Yan Qingsen /Yuan Xia /Zhao Chunxia /Reid Ian /Cadena Cesar

發(fā)表時間：2020/2/17

論文鏈接：https://paper.yanxishe.com/review/12074?from=leiphonecolumn_paperreview0226

推薦原因

這篇論文要解決的是語義場景補全任務中的數(shù)據(jù)融合問題。

RGB圖像包含對象的紋理細節(jié)，而深度圖像能捕獲與形狀補全任務具有高度相關性的幾何線索，因此同時使用RGB和深度圖像可以進一步提高語義場景補全模型的精度?；诖?，這篇論文提出了名為GRFNet的3D門控遞歸融合網(wǎng)絡，該網(wǎng)絡可以自適應地選擇并通過使用門和存儲模塊來融合深度圖像和RGB的相關信息。在單級融合的基礎上，這篇論文還進一步提出了一種多級融合策略，可以對網(wǎng)絡中不同級之間的相關性進行建模。在兩個基準數(shù)據(jù)集上進行的實驗證明了GRFNet在語義場景補全任務中進行數(shù)據(jù)融合優(yōu)于現(xiàn)有的方法。

論文名稱：Dual-Attention GAN for Large-Pose Face Frontalization

作者： Yin Yu /Jiang Songyao /Robinson Joseph P. /Fu Yun

發(fā)表時間：2020/2/17

論文鏈接：https://paper.yanxishe.com/review/12073?from=leiphonecolumn_paperreview0226

推薦原因

這篇論文要解決的是人臉正面化的問題。

人臉正面化為人臉數(shù)據(jù)的增強提供了一種有效的方法，進一步提高了極端姿勢場景下的人臉識別性能。這篇論文提出了一種新的雙注意力生成對抗網(wǎng)絡（DA-GAN），通過在GAN訓練過程中同時捕捉上下文相關性和局部一致性來實現(xiàn)真實感人臉正面化。DA-GAN包含一種基于自注意力的生成器，來集成具有遠距離依賴性的局部特征以產(chǎn)生更好的特征表示和一個基于面部注意力的新型判別器，用于強調(diào)人臉區(qū)域的局部特征，從而增強了合成正面人臉的真實感。

論文名稱：Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN

作者： Xu Hang /Fang Linpu /Liang Xiaodan /Kang Wenxiong /Li Zhenguo

發(fā)表時間：2020/2/18

論文鏈接：https://paper.yanxishe.com/review/12072?from=leiphonecolumn_paperreview0226

推薦原因

這篇論文要解決的是通用對象檢測的問題。

這篇論文提出了一種名為Universal-RCNN的新的通用對象檢測器，結(jié)合圖遷移學習可在多個數(shù)據(jù)集之間傳播相關語義信息，以達到語義一致性。Universal-RCNN首先通過整合所有類的所有高級語義表示來生成全局語義池。然后，域內(nèi)推理模塊在空間感知圖卷積網(wǎng)絡指引下的一個數(shù)據(jù)集中學習并傳播稀疏圖表示。最后，Universal-RCNN中的域間傳輸模塊利用所有域之間的多種傳輸依賴關系，通過全局參與和傳輸語義上下文來增強區(qū)域特征表示。大量實驗表明，Universal-RCNN明顯優(yōu)于現(xiàn)有的多分支模型，并在多對象檢測基準上達到最新水平。

論文名稱：Unsupervised Domain Adaptation for Depth Prediction from Images

作者：Tonioni Alessio /Poggi Matteo /Mattoccia Stefano /Di Stefano Luigi

發(fā)表時間：2019/9/9

論文鏈接：https://paper.yanxishe.com/review/11952?from=leiphonecolumn_paperreview0226

推薦原因

論文的目標是利用無監(jiān)督算法，將在大量合成數(shù)據(jù)上預訓練的深度模型遷移到?jīng)]有標簽監(jiān)督的目標域上來。作者首先利用傳統(tǒng)的深度估計算法為目標域的圖像標記含有噪聲的偽標簽，并生成一個逐像素的置信圖。論文的創(chuàng)新點在于提出了一種新穎的置信度引導損失函數(shù)，它用來衡量哪些像素需要納入深度模型預測出的深度值與傳統(tǒng)方法計算出的深度值的誤差中。作者還將控制用來計算損失的像素值的超參數(shù)設置成一個可學習的變量，進一步提升了模型的泛化能力。論文被TPAMI接收，為無監(jiān)督深度估計算法提供了新的解決思路。

論文名稱：A Neural Layered Model for Nested Named Entity Recognition

作者：Meizhi Ju /Makoto Miwa /Sophia Ananiadou

發(fā)表時間：2018/6/1

論文鏈接：https://paper.yanxishe.com/review/11812?from=leiphonecolumn_paperreview0226

推薦原因

1. 本文解決了大多數(shù)命名實體識別系統(tǒng)不能有效處理內(nèi)部嵌套實體的問題，如在生物醫(yī)藥領域，嵌套實體出現(xiàn)非常頻繁，使用本文提出的方法可以在此背景下捕獲更細粒度的語義信息。

2. 本文提出了一種動態(tài)分層模型，能夠充分利用內(nèi)部實體信息來加強外部實體的識別。模型基于由LSTM和CRF組成的flat NER層，因此模型能夠捕獲輸入序列的上下文表示，并在不依賴于特征工程的情況下在flat NER層上全局解碼預測標簽。該模型針對于特定數(shù)據(jù)集（具有多種類別和嵌套的實體），嵌套的實體越多層次越深，實驗效果越好。

3. 本文所提出的模型針對自然語言處理中命名實體識別問題，能夠改善嵌套實體識別的情況，而實體識別是之后如實體對齊，構(gòu)建知識圖譜等問題的基礎，因而意義很大。

為了更好地服務廣大 AI 青年，AI 研習社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學生青年的「興趣點」，通過論文整理推薦、點評解讀、代碼復現(xiàn)。致力成為國內(nèi)外前沿研究成果學習討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認可。

我們希望熱愛學術的你，可以加入我們的論文作者團隊。

加入論文作者團隊你可以獲得

    1.署著你名字的文章，將你打造成最耀眼的學術明星

    2.豐厚的稿酬

    3.AI 名企內(nèi)推、大會門票福利、獨家周邊紀念品等等等。

加入論文作者團隊你需要：

    1.將你喜歡的論文推薦給廣大的研習社社友

    2.撰寫論文解讀

如果你已經(jīng)準備好加入 AI 研習社的論文兼職作者團隊，可以添加運營小姐姐的微信（ID:julylihuaijiang），備注“論文兼職作者”