<mark id="oztn4"></mark>
0
| 本文作者： AI研習(xí)社 | 2020-03-10 15:43 |
ZoomNet：用于3D對(duì)象檢測(cè)的部分感知自適應(yīng)縮放神經(jīng)網(wǎng)絡(luò)
ForecastNet：一種用于多步超前時(shí)間序列預(yù)測(cè)的時(shí)變深度前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
形變的LSTM
基于消息傳遞的知識(shí)圖譜復(fù)雜問(wèn)答
基于深度學(xué)習(xí)的手繪草圖陰影著色
論文名稱：ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection
作者：Xu Zhenbo /Zhang Wei /Ye Xiaoqing /Tan Xiao /Yang Wei /Wen Shilei /Ding Errui /Meng Ajin /Huang Liusheng
發(fā)表時(shí)間：2020/3/1
論文鏈接：https://paper.yanxishe.com/review/13287?from=leiphonecolumn_paperreview0310
推薦原因
這是百度發(fā)表在AAAI 2020上的工作，用于估計(jì)遠(yuǎn)處和被遮擋物體的3D姿勢(shì)檢測(cè)問(wèn)題。
這篇論文提出了一個(gè)名為ZoomNet的新型框架，用于對(duì)3D立體圖像進(jìn)行對(duì)象檢測(cè)任務(wù)。ZoomNet首先使用一個(gè)普通的2D對(duì)象檢測(cè)模型，獲取成對(duì)左右邊界框。然后為了進(jìn)一步利用RGB圖像中豐富的紋理信息來(lái)進(jìn)行更準(zhǔn)確的視差估計(jì)，ZoomNet使用了一個(gè)模塊-自適應(yīng)縮放塊，同時(shí)將2D實(shí)例邊框的大小調(diào)整為統(tǒng)一的分辨率，并相應(yīng)地調(diào)整了相機(jī)的固有參數(shù)。同時(shí)，這篇論文還提出學(xué)習(xí)局部位置信息來(lái)進(jìn)一步提升模型性能，并提出了一個(gè)3D擬合評(píng)分以更好地估計(jì)3D檢測(cè)模型的質(zhì)量。在KITTI 3D檢測(cè)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明ZoomNet大大超出了所有先前的最新方法。
論文名稱：ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting
作者：Dabrowski Joel Janek /Zhang YiFan /Rahman Ashfaqur
發(fā)表時(shí)間：2020/2/11
論文鏈接：https://paper.yanxishe.com/review/11307?from=leiphonecolumn_paperreview0310
推薦原因
這篇論文考慮的是時(shí)間序列預(yù)測(cè)的問(wèn)題。
深度學(xué)習(xí)中的循環(huán)和卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被用于時(shí)間序列預(yù)測(cè)，然而這些網(wǎng)絡(luò)通過(guò)在時(shí)間或空間上重復(fù)使用固定參數(shù)的一組不變結(jié)構(gòu)來(lái)共享參數(shù)，使得整個(gè)體系結(jié)構(gòu)是時(shí)域不變的，降低了執(zhí)行多步提前預(yù)測(cè)的能力。這篇論文提出了ForecastNet，使用深度前饋體系結(jié)構(gòu)來(lái)提供時(shí)變模型。ForecastNet中還使用了交錯(cuò)輸出，有助于緩解逐漸消失的梯度。實(shí)驗(yàn)證明ForecastNet在多個(gè)數(shù)據(jù)集上的表現(xiàn)優(yōu)于統(tǒng)計(jì)和深度學(xué)習(xí)基準(zhǔn)模型。
論文名稱：MOGRIFIER LSTM
作者：Gábor Melis /Tomá? Kocisky /Phil Blunsom
發(fā)表時(shí)間：2020/1/29
論文鏈接：https://paper.yanxishe.com/review/11305?from=leiphonecolumn_paperreview0310
推薦原因
核心問(wèn)題：先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用是自然語(yǔ)言理解（NaturalLanguage Processing）的眾多任務(wù)取得先進(jìn)性進(jìn)展的根本原因。但是現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型仍然不完美，比如存在泛化能力和語(yǔ)言建模能力不強(qiáng)等諸多問(wèn)題。
創(chuàng)新點(diǎn)：針對(duì)于在自然語(yǔ)言理解中最常使用的神經(jīng)網(wǎng)絡(luò)模型是LongShort-Term Memory（LSTM），本論文對(duì)其進(jìn)行了改進(jìn)，提出了形變的LSTM，通過(guò)引入額外的門(mén)控運(yùn)算，使得輸入x和狀態(tài)hprw在輸入到LSTM之前進(jìn)行多輪交互計(jì)算，最終使得輸入和上下文之間具有更加豐富的交互表示。
研究意義：這種改進(jìn)并不復(fù)雜，但是這種簡(jiǎn)單的修改確在語(yǔ)言模型上取得了顯著的效果。
論文名稱：Message Passing for Complex Question Answering over Knowledge Graphs
作者：Svitlana Vakulenko /Javier David Fernandez Garcia /Axel Polleres /Maarten de Rijke /Michael Cochez
發(fā)表時(shí)間：2019/8/19
論文鏈接：https://paper.yanxishe.com/review/10988?from=leiphonecolumn_paperreview0310
推薦原因
許多 KGQA 系統(tǒng)只能回答簡(jiǎn)單問(wèn)題（依賴一個(gè)三元組、單跳），為此本文提出 QAmp 模型，能夠回答復(fù)雜問(wèn)題（融合多個(gè)三元組、多跳），在 LC-QuAD 數(shù)據(jù)集取得 SOTA 結(jié)果。
文章值得借鑒的地方有：對(duì)問(wèn)句模式的定義 q=
該工作使用了新的數(shù)據(jù)集 LC-QuAD 進(jìn)行知識(shí)圖譜上復(fù)雜問(wèn)答的研究，結(jié)合了圖神經(jīng)網(wǎng)絡(luò)的思想，對(duì)進(jìn)一步的研究具有借鑒意義。
論文名稱：Learning to Shade Hand-drawn Sketches
作者：Qingyuan Zheng /Zhuoru Li /Adam Bargteil
發(fā)表時(shí)間：2020/2/26
論文鏈接：https://paper.yanxishe.com/review/12784?from=leiphonecolumn_paperreview0310
推薦原因
手繪草圖是一種比較流行的藝術(shù)創(chuàng)作，隨著深度學(xué)習(xí)的火熱，有學(xué)者研究給草圖著色、將草圖遷移為彩色圖片、從草圖進(jìn)行三維建模等等。本文提出了一種給草圖添加陰影使其3D視覺(jué)效果的方法。
文章提出了一種全自動(dòng)的方法，通過(guò)在深度學(xué)習(xí)網(wǎng)絡(luò)的潛空間中構(gòu)建3D模型并渲染生成陰影，可以在給定的光照方向下為線描草圖生成詳細(xì)準(zhǔn)確的藝術(shù)陰影。作者還提供了一個(gè)新的數(shù)據(jù)集，包含一千個(gè)標(biāo)記了光照方向的成對(duì)的草圖和陰影。文章生成的陰影可以傳遞出草圖場(chǎng)景的基礎(chǔ)3D結(jié)構(gòu)，可以直接使用或者作為藝術(shù)家的絕佳起點(diǎn)。
為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學(xué)生青年的「興趣點(diǎn)」，通過(guò)論文整理推薦、點(diǎn)評(píng)解讀、代碼復(fù)現(xiàn)。致力成為國(guó)內(nèi)外前沿研究成果學(xué)習(xí)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(rèn)可。
我們希望熱愛(ài)學(xué)術(shù)的你，可以加入我們的論文作者團(tuán)隊(duì)。
加入論文作者團(tuán)隊(duì)你可以獲得
1.署著你名字的文章，將你打造成最耀眼的學(xué)術(shù)明星
2.豐厚的稿酬
3.AI 名企內(nèi)推、大會(huì)門(mén)票福利、獨(dú)家周邊紀(jì)念品等等等。
加入論文作者團(tuán)隊(duì)你需要：
1.將你喜歡的論文推薦給廣大的研習(xí)社社友
2.撰寫(xiě)論文解讀
如果你已經(jīng)準(zhǔn)備好加入 AI 研習(xí)社的論文兼職作者團(tuán)隊(duì)，可以添加運(yùn)營(yíng)小姐姐的微信（ID:julylihuaijiang），備注“論文兼職作者”
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
今日 Paper | 多軌跡預(yù)測(cè)研究；3DMM 人臉模型；對(duì)抗網(wǎng)絡(luò)判別器；交叉模態(tài)信息等
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
