今日 Paper | 人臉旋轉；BiLSTM-CRF；神經注意模型；Abigail等

Rotate-and-Render: 基于單視角圖像的自監督真實感人臉旋轉

使用基于特征增強的BiLSTM-CRF神經網絡對出院總結中的藥品相關的實體信息進行抽取

采用神經注意模型生成文本摘要

基于指針生成網絡對Abigail進行匯總

基于細觀遞歸神經網絡結構的抽象文本摘要

論文名稱：Rotate-and-Render: Unsupervised Photorealistic Face Rotation from Single-View Images

作者：Zhou Hang /Liu Jihao /Liu Ziwei /Liu Yu /Wang Xiaogang

發表時間：2020/3/18

論文鏈接：https://paper.yanxishe.com/review/14665?from=leiphonecolumn_paperreview0413

推薦原因

本文已經被CVPR2020接收。近些年來人臉旋轉取得了快速的發展，但缺乏高質量的配對訓練數據仍然是現有方法的一大障礙。本文提出了一種新穎的無監督框架，可以只使用單視角自然圖片來合成逼真的旋轉后的人臉。文章方法的核心是在3D空間旋轉人臉，再將其重新渲染至2D圖像平面，以此作為一個強的自監督。作者采用3D人臉重建和高分辨率GAN來搭建整個網絡。由于3D人臉的旋轉再渲染可以在不丟失細節的前提下渲染任意角度的人臉圖像，文章方法非常適合無標注的自然圖像。作者通過實驗證明了文章方法在大范圍的旋轉角度下都能很好地保留身份信息，合成高質量的人臉，超越目前state-of-the-art的表現。

論文名稱：GNTeam at 2018 n2c2: Feature-augmented BiLSTM-CRF for drug-related entity recognition in hospital discharge summaries

作者：Maksim Belousov / Nikola Milosevic / Ghada Alfattni / Haifa Alrdahi / Goran Nenadic

發表時間：2019/9/23

論文鏈接：https://paper.yanxishe.com/review/14666?from=leiphonecolumn_paperreview0413

推薦原因

本文的主要內容作者參加2018年的一個信息抽取比賽時所用的思路、方法和總結，主要的方法是使用預訓練的語言模型以及額外的語義特征

作者使用了CLAMP， cTAKES兩種語義特征來對文本的詞嵌入進行增強，并且得到了第四名的成績

本文對于數據集的分析、模型的選取、優化、以及結果的分析等方面寫的比較細致，對于參加NLP相關的比賽的同學有一些參考價值，盡管只是實體信息的抽取，但是作者也提到了諸如CLAMP，part of speech tags這樣的語言學特征增強對于關系抽取和事件抽取也是有效的

論文名稱：A Neural Attention Model for Sentence Summarization

作者：Alexander M. Rush

發表時間：2015/3/4

論文鏈接：https://paper.yanxishe.com/review/14772?from=leiphonecolumn_paperreview0413

推薦原因

本文的主要內容以及貢獻：

本文是一篇關于生成文本摘要的文章，首先，作者對神經機器翻譯的最新發展的摘要進行匯總，由于目前學術界中通過抽取式生成的文本摘要在準確性方面存在著一定的誤差，在此背景下，作者提出了一種基于神經注意力的模型，在這個模型中，作者把概率模型與生成算法相結合，其目的是用于生成精確度更好的抽象摘要。然后，作者又提出了一種基于神經注意力的模型，在該模型中，作者將概率模型與生成算法相結合，用于生成精確度更好的抽象摘要。最后，作者以數據驅動的方式，來進一步提高摘要的語法性，并對此進行擴展。

論文名稱：Get To The Point: Summarization with Pointer-Generator Networks Abigail See

作者：Abigail See

發表時間：2017/3/15

論文鏈接：https://paper.yanxishe.com/review/14773?from=leiphonecolumn_paperreview0413

推薦原因

本文的研究內容及創新點：

序列到序列的神經網絡模型為生成抽象文本摘要提供了一種可行的新方法，然而，該模型在實際應用中存在著兩個缺點：1）通常會考慮到不重要的細節，造成文本摘要不精確；2）存在著反復重復自身的過程，造成信息冗余。為了解決上述問題，作者提出了一種新穎的架構，用于增強標準序列間的注意力。該模型主要以兩種正交方式建模。第一，使用混合指針生成器網絡從源文本中復制單詞。第二，使用覆蓋率跟蹤已總結的內容。最后，作者通過實驗驗證，發現該模型具有較強的魯棒性，生成的文本摘要性能也更加符合實際。

論文名稱：Abstractive Sentence Summarization with Attentive Recurrent Neural Networks

作者：Sumit Chopra

發表時間：2016/6/16

論文鏈接：https://paper.yanxishe.com/review/14776?from=leiphonecolumn_paperreview0413

推薦原因

本文研究內容以及創新點：

本文是一篇關于文本摘要的文章，作者提出了一種基于條件遞歸神經網絡（RNN）模型用于對當前文章生成文本摘要。該模型采用了一種基于卷積注意力的編碼器，用于確保解碼器在生成的每個步驟都輸入適當的單詞，本文提出的模型他的優點表現為：1、文本摘要任務性能僅依賴模型的學習功能，2、易于以端到端的方式在大數據集上進行訓練。作者通過實驗表明，該模型在DUC-2004共享任務上，無論是在Gigaword數據還是在Gigaword數據上，性能均明顯優于其他方法。