今日 Paper | 雙向ConvLSTMU-Net卷積；SAU-Net；立體匹配；深度語義分割等

本文作者： AI研習社

2020-03-17 14:29

導語：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。

具有稠密連接的雙向ConvLSTMU-Net卷積

論文名稱：Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions

作者：Reza Azad; Maryam Asadi-Aghbolaghi; Mahmood Fathy; Sergio Escalera

發表時間：2019/9/15

論文鏈接：https://paper.yanxishe.com/review/13536?from=leiphonecolumn_paperreview0317

推薦原因

在常規的 U-Net 中，他們直接將 encoded feature 直接拷貝并且結合到 decoding 的分支中。本文提出使用 BConvLSTM 的方法來處理 encoding 和 decoding feature，更好的進行結合。此處使用的 ConvLSTM 是來自于：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting，NIPS 2015。該模型包含 input gate, output gate, forget gate, and a memory cell。

今日 Paper | 雙向ConvLSTMU-Net卷積；SAU-Net；立體匹配；深度語義分割等

SAU-Net:基于空間注意力的密集型U-N網絡在脊柱三維MRI分割中的應用

論文名稱：SAU-Net: Spatial Attention-based Densely Connected U-Net for 3D Spine MRI Segmentation

作者：Anonymous authors

發表時間：2020/1/10

論文鏈接：https://paper.yanxishe.com/review/13534?from=leiphonecolumn_paperreview0317

推薦原因

脊柱分割問題中切片形狀不規則、切片之間的差異性大，往往會導致分割精度不高。

因此，本文作者采用堆疊的DenseU-Net結構對輸入的三維圖像進行預測。然后利用層間信息對粗分割結果進行細化，并得到最終的分割結果。

學會自適應的立體匹配

論文名稱：Learning to Adapt for Stereo

作者：Tonioni Alessio /Rahnama Oscar /Joy Thomas /Di Stefano Luigi /Ajanthan Thalaiyasingam /Torr Philip H. S.

發表時間：2019/4/5

論文鏈接：https://paper.yanxishe.com/review/13528?from=leiphonecolumn_paperreview0317

推薦原因

這篇論文主要解決立體匹配領域中，從合成/仿真數據域到真實數據域的自適應學習。作者借鑒元學習MAML的思想，希望能夠在合成數據上仿真實際情況中的自適應學習過程，將自適應的過程納入訓練階段的學習目標。作者利用抽取的視頻幀，在訓練時對當前視頻幀使用無監督損失函數模仿適應到新環境的過程，再對下一幀采用有監督損失函數評估自適應的有效性。由此訓練出來的模型能夠更好地適應不同的新環境。同時，為了提高無監督自適應的質量，作者還設計了一個置信度估計網絡，用來過濾掉無監督損失函數中被遮擋的像素點。作者從元學習上尋找思想，通過訓練上的優化來達到提升自適應的能力，具有很強的創新性。該論文收錄在CVPR 2019。

自然和醫學圖像的深度語義分割：綜述

論文名稱：Deep Semantic Segmentation of Natural and Medical Images: A Review

作者：Saeid Asgari Taghanaki?1 / Kumar Abhishek1 / Joseph Paul Cohen2 / Julien Cohen-Adad3 / and Ghassan Hamarneh1

發表時間：2019/10/16

論文鏈接：https://paper.yanxishe.com/review/13529?from=leiphonecolumn_paperreview0317

推薦原因

這一篇 2019 下半年發表的醫學圖像分割綜述。該文主要對自然圖像語義分割以及醫學圖像分割的知識點進行了梳理和總結。這篇綜述將最經典的基于深度學習的醫學圖像和非醫學圖像分割問題分為五個子問題進行了總結，分別為：網絡結構，損失函數，數據合成（生成），弱監督方法和多任務方法，內容涵蓋了經典、最新的基于深度學習的圖像語義分割相關論文。最后又對自然圖像和醫學圖像的未來研究熱門方向進行了總結。

深度學習在股市預測中的應用：最新進展

論文名稱：Applications of deep learning in stock market prediction: recent progress

作者：Jiang Weiwei

發表時間：2020/2/29

論文鏈接：https://paper.yanxishe.com/review/13411?from=leiphonecolumn_paperreview0317

推薦原因

這篇論文回顧和總結了最近3年深度學習在股市預測中的文獻，試圖讓后續的研究者快速地了解這個領域的最新進展，同時也格外關注了過去工作中的開源代碼和數據，幫助后續的研究者復現之前的工作作為新模型進行比較的基準。這個領域仍然是非常活躍的，最近的圖卷積模型等新的工作會給股市預測問題帶來新的視角，有可能促進這個領域進一步的發展。