<mark id="oztn4"></mark>
0
| 本文作者： AI研習(xí)社 | 2020-01-13 15:30 |
為了幫助各位學(xué)術(shù)青年更好地學(xué)習(xí)前沿研究成果和技術(shù)，AI科技評論聯(lián)合Paper 研習(xí)社（paper.yanxishe.com），重磅推出【今日 Paper】欄目， 每天都為你精選關(guān)于人工智能的前沿學(xué)術(shù)論文供你學(xué)習(xí)參考。以下是今日的精選內(nèi)容——
ClothFlow: A Flow-Based Model for Clothed Person Generation
Table Structure Extraction with Bi-directional Gated Recurrent Unit Networks
SPACE: Unsupervised Object-Oriented Scene Representation via Spatial Attention and Decomposition
Cloud-based Image Classification Service Is Not Robust To Simple Transformations: A Forgotten Battlefield
Self-Contained Stylization via Steganography for Reverse and Serial Style Transfer
Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias
node2vec: Scalable Feature Learning for Networks
Can the Exchange Rate Be Used to Predict the Shanghai Composite Index?
Coordination of Autonomous Vehicles: Taxonomy and Survey
A Survey on 3D Object Detection Methods for Autonomous Driving Applications
論文名稱：ClothFlow: A Flow-Based Model for Clothed Person Generation
作者：Xintong Han / Xiaojun Hu / Weilin Huang / Matthew R. Scott
發(fā)表時間：2019/10/27
論文鏈接：https://paper.yanxishe.com/review/8611?from=leiphonecolumn_paperreview0113
推薦理由：
提出了一個基于外觀流的生成模型ClothFlow，該模型可以合成穿衣人，用于定位引導(dǎo)的人的圖像生成和虛擬試穿。ClothFlow通過估計源和目標服裝區(qū)域之間的密集流動，有效地模擬了幾何變化，自然地轉(zhuǎn)移了外觀，合成了新的圖像，如圖1所示。我們通過一個three-stage框架實現(xiàn)了這一點:1)以目標姿態(tài)為條件，我們首先估計一個人的語義布局，為生成過程提供更豐富的指導(dǎo)。2)級聯(lián)流量估計網(wǎng)絡(luò)建立在兩個特征金字塔網(wǎng)絡(luò)的基礎(chǔ)上，準確地估計出對應(yīng)服裝區(qū)域之間的外觀匹配。由此產(chǎn)生的稠密流扭曲源圖像，靈活地解釋變形。3)最后，生成網(wǎng)絡(luò)以扭曲的服裝區(qū)域為輸入，呈現(xiàn)目標視圖。我們在深度時尚數(shù)據(jù)集和VITON數(shù)據(jù)集上進行了大量的實驗，分別用于定位引導(dǎo)的人物圖像生成和虛擬實驗任務(wù)。較強的定性和定量結(jié)果驗證了該方法的有效性。
Pose-guided person generation 和Virtual try>※ Deformation-based methods (eg: affine ; TPS；NN)
※ DensePose-based methods
即基于變形的方法和基于密度的方法
幾何變形的更好的外觀轉(zhuǎn)移，但是較大的幾何變換，容易導(dǎo)致不準確、不自然的變換估計
基于密度的方法，映射2D圖片到3D的人身體，結(jié)果看起來不夠逼真。
因此作者提出的ClothFlow：a flow-based generative model ；解決衣服變形clothing deformation；從而更好的合成人穿衣的圖片；
論文名稱：Table Structure Extraction with Bi-directional Gated Recurrent Unit Networks
作者：Khan Saqib Ali /Khalid Syed Muhammad Daniyal /Shahzad Muhammad Ali /Shafait Faisal
發(fā)表時間：2020/1/8
論文鏈接：https://paper.yanxishe.com/review/8614?from=leiphonecolumn_paperreview0113
推薦理由：這篇論文要解決的是表格結(jié)構(gòu)識別的問題。
表向讀者呈現(xiàn)了匯總的結(jié)構(gòu)化信息，這使表結(jié)構(gòu)提取成為理解應(yīng)用程序的重要組成部分。但是，表結(jié)構(gòu)的識別是一個難題，這不僅是因為表布局和樣式的變化很大，而且還因為頁面布局和噪聲污染水平的變化。已經(jīng)進行了很多研究來識別桌子的結(jié)構(gòu)，其中大部分是基于借助光學(xué)字符識別（OCR）將啟發(fā)式方法應(yīng)用于桌子的手抓布局特征的。由于表布局的變化以及OCR產(chǎn)生的錯誤，這些方法無法很好地概括。
在本文中，作者提出了一種基于魯棒深度學(xué)習(xí)的方法，可以從文檔圖像中的檢測表中高精度提取行和列。在提出的解決方案中，首先對表格圖像進行預(yù)處理，然后將其饋送到具有門控循環(huán)單元（GRU）的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，然后是具有最大軟激活的完全連接層。網(wǎng)絡(luò)從上到下以及從左到右掃描圖像，并將每個輸入分類為行分隔符或列分隔符。作者已經(jīng)在公開的UNLV以及ICDAR 2013數(shù)據(jù)集上對作者的系統(tǒng)進行了基準測試，在該數(shù)據(jù)集上，其性能遠遠超過了最新的表格結(jié)構(gòu)提取系統(tǒng)。這篇論文在公開的UNLV和ICDAR 2013數(shù)據(jù)集上進行了實驗，驗證了所提出的方法顯著優(yōu)于當(dāng)前該領(lǐng)域的最佳方案。
論文名稱：SPACE: Unsupervised Object-Oriented Scene Representation via Spatial Attention and Decomposition
作者：Lin Zhixuan /Wu Yi-Fu /Peri Skand Vishwanath /Sun Weihao /Singh Gautam /Deng Fei /Jiang Jindong /Ahn Sungjin
發(fā)表時間：2020/1/8
論文鏈接：https://paper.yanxishe.com/review/8615?from=leiphonecolumn_paperreview0113
推薦理由：這篇論文考慮的是多目標場景分解的問題。
基于對象的場景表示學(xué)習(xí)的無監(jiān)督方法可以分為基于空間注意力機制和基于場景混合這兩類，然而這些方法都受限于可擴展性，阻礙了它們進一步應(yīng)用于現(xiàn)實場景。這篇論文提出一個名為SPACE的生成潛在變量模型，以提供一套統(tǒng)一的概率建模框架來組合空間注意力與場景混合中的最佳方法。SPACE可以為前景對象提供精準的分解對象表示信息，同時分解復(fù)雜形態(tài)的背景片段。另外，SPACE也通過引入并行的空間注意力機制解決了擴展性問題，因而可以應(yīng)用到含有大量對象的場景中。在Atari和3D-Rooms上的實驗表明，SPACE與先前的方法SPAIR，IODINE和GENESIS相比具有更好的表現(xiàn)。作者們也提供了項目的網(wǎng)站(https://sites.google.com/view/space-project-page)。
論文名稱：Cloud-based Image Classification Service Is Not Robust To Simple Transformations: A Forgotten Battlefield
作者：Goodman Dou /Wei Tao
發(fā)表時間：2019/6/19
論文鏈接：https://paper.yanxishe.com/review/8617?from=leiphonecolumn_paperreview0113
推薦理由：這篇論文考慮的是對基于云的圖像分類服務(wù)的對抗樣例生成問題。
基于云的圖像分類服務(wù)對于諸如高斯噪聲、椒鹽噪聲、旋轉(zhuǎn)和單色化之類的簡單轉(zhuǎn)換（ST）并不魯棒。基于這一點，這篇論文提出了一個圖像融合攻擊（Image Fusion，IF）方法，利用OpenCV就可以實現(xiàn)，而且很難防御。這篇論文在Amazon，Google，Microsoft，Clarifai在內(nèi)的四個流行云平臺上評估了ST和IF方法，實驗結(jié)果表明除了在Amazon上成功率在50%之外，ST在其他的平臺上的攻擊成功率都為100%，而IF方法在不同分類服務(wù)中的成功率均超過98％。
論文名稱：Self-Contained Stylization via Steganography for Reverse and Serial Style Transfer
作者：Chen Hung-Yu /Fang I-Sheng /Chiu Wei-Chen
發(fā)表時間：2018/12/10
論文鏈接：https://paper.yanxishe.com/review/8618?from=leiphonecolumn_paperreview0113
推薦理由：這篇論文考慮的是圖像風(fēng)格遷移的問題。
給定一個風(fēng)格化的圖像，使用典型的風(fēng)格遷移方法進行去樣式化或?qū)⑵湓俅无D(zhuǎn)換為另一種樣式，通常會得到偽像或不良的結(jié)果。這篇論文認為這類問題是由于原始圖像與其樣式輸出之間的內(nèi)容不一致所導(dǎo)致的。這篇論文提出利用隱寫術(shù)在遷移過程中保持輸入圖像內(nèi)容信息，并提出了一個兩階段的方法和一個端到端的方法。實驗結(jié)果表明這篇論文提出的方法不僅能生成與典型風(fēng)格遷移方法所產(chǎn)生的圖像質(zhì)量相當(dāng)?shù)娘L(fēng)格化圖像，而且還可以有效消除重建原始輸入時引入的偽像。
論文名稱：Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias
作者：Singh Krishna Kumar /Mahajan Dhruv /Grauman Kristen /Lee Yong Jae /Feiszli Matt /Ghadiyaram Deepti
發(fā)表時間：2020/1/9
論文鏈接：https://paper.yanxishe.com/review/8619?from=leiphonecolumn_paperreview0113
推薦理由：這篇論文考慮的是對象識別問題。
在對象識別中，現(xiàn)有模型常常利用對象和其上下文的共現(xiàn)信息來提升識別準確率。但是，嚴重依賴上下文可能會對模型的泛化性造成風(fēng)險。這篇論文試圖解決這種上下文偏移問題，以提升學(xué)到的特征表示的魯棒性，使得在一個對象的上下文缺失的情況下依然能準確識別出其類型。這篇論文的核心想法是從共現(xiàn)的上下文中去掉與類別的特征表示相關(guān)的信息，通過聯(lián)合學(xué)習(xí)兩類特征空間，一類特征子空間能在沒有共現(xiàn)的情況下精準表示類別，另一類則同時表示類別和上下文。在四個充滿挑戰(zhàn)的數(shù)據(jù)集上的實驗證明這篇論文所提出的方法的有效性。
論文名稱：node2vec: Scalable Feature Learning for Networks
作者：Grover Aditya /Leskovec Jure
發(fā)表時間：2016/7/3
論文鏈接：https://paper.yanxishe.com/review/8624?from=leiphonecolumn_paperreview0113
推薦理由：本文來自網(wǎng)絡(luò)分析超強組Stanford的Jure組.
deepwalk作為一種基于隨機游走的網(wǎng)絡(luò)表示學(xué)習(xí)算法,通過在網(wǎng)絡(luò)進行隨機游走來獲取節(jié)點序列.
但是網(wǎng)絡(luò)上的隨機游走有深度優(yōu)先和廣度優(yōu)先,并且他們可以從不同角度來捕獲網(wǎng)絡(luò)本身結(jié)構(gòu)特點.本文在deepwalk的基礎(chǔ)上設(shè)計了一種個性化的隨機游走,通過兩個超參數(shù)p和q來控制隨機游走的方向.需要注意的是,當(dāng)p=q=1的時候,node2vec退化成deepwalk.至于表示學(xué)習(xí)模型的部分還是skip-gram并沒有本質(zhì)變化.
實驗結(jié)果也驗證了本文所提出算法的有效性.
論文名稱：Can the Exchange Rate Be Used to Predict the Shanghai Composite Index?
作者：Jun Zhang / Yuan-Hai Shao /Ling-Wei Huang /Jia-Ying Teng / Yu-Ting Zhao /Zhu-Kai Yang / Xin-Yang Li
發(fā)表時間：2019/12/25
論文鏈接：https://paper.yanxishe.com/review/8612?from=leiphonecolumn_paperreview0113
推薦理由：這篇論文首次嘗試了直接利用匯率來預(yù)測上證指數(shù)，基本做法是構(gòu)建基于匯率的技術(shù)指標作為輸入特征，然后利用SVM進行走勢的分類。通過與基于其他輸入（例如基于歷史價量的技術(shù)指標、新聞數(shù)據(jù)等）的預(yù)測相比，這篇論文證明了通過匯率來預(yù)測具有相近的表現(xiàn)。并且這篇論文公開了相應(yīng)的數(shù)據(jù)和Matlab代碼。
這篇論文的關(guān)注點在于輸入數(shù)據(jù)，而沒有采用特別復(fù)雜的模型，例如深度學(xué)習(xí)模型等。目前多數(shù)據(jù)源作為輸入來預(yù)測股市的走勢正在成為趨勢，往往會比采用單一數(shù)據(jù)具有更好的表現(xiàn)。
論文名稱：Coordination of Autonomous Vehicles: Taxonomy and Survey
作者：Mariani Stefano /Cabri Giacomo /Zambonelli Franco
發(fā)表時間：2020/1/8
論文鏈接：https://paper.yanxishe.com/review/8613?from=leiphonecolumn_paperreview0113
推薦理由：這是一篇關(guān)于自動駕駛車輛調(diào)度問題的綜述。自動駕駛的車輛之間需要進行協(xié)調(diào)，以正確處理對共享資源的訪問（例如交叉路口和停車位）以及執(zhí)行機動任務(wù)（例如坡道合并）。這篇論文首先通過識別和構(gòu)建關(guān)鍵的調(diào)度問題類別，介紹與自動駕駛汽車調(diào)度相關(guān)的一般問題。然后概述了可用于管理此類調(diào)度問題的不同方法，并根據(jù)調(diào)度協(xié)調(diào)過程中車輛的決策自主程度對這些方法進行分類。最后，這篇論文概述了在自動駕駛車輛能夠?qū)嵱弥埃仨毥鉀Q的其他一些特殊挑戰(zhàn)。這篇論文關(guān)注的是自動駕駛車輛之間的調(diào)度問題，在自動駕駛實用之前還有很多其他相關(guān)的問題需要解決。
論文名稱：A Survey>作者：Eduardo Arnold /Omar Y. Al-Jarrah /Mehrdad Dianati /Saber Fallah /David Oxtoby /Alex Mouzakitis
發(fā)表時間：2019/1/22
論文鏈接：https://paper.yanxishe.com/review/8620?from=leiphonecolumn_paperreview0113
推薦理由：自動駕駛汽車（AV）需要對其周圍環(huán)境有準確的感知才能可靠地運行。通常采用機器學(xué)習(xí)（例如，深度學(xué)習(xí)）的AV的感知系統(tǒng)將感覺數(shù)據(jù)轉(zhuǎn)換成能夠自動駕駛的語義信息。對象檢測是該感知系統(tǒng)的基本功能，已經(jīng)通過多項工作解決了這些問題，其中大多數(shù)使用2D檢測方法。但是，二維方法不提供深度信息，這是駕駛?cè)蝿?wù)所需的深度信息，例如路徑規(guī)劃，避免碰撞等。替代地，3D對象檢測方法引入了第三維，它揭示了更詳細的對象尺寸和位置信息。但是，這種方法的檢測精度需要提高。據(jù)所知，這是用于自動駕駛應(yīng)用的3D對象檢測方法的首次調(diào)查。
這篇文章對自動駕駛場景中的三維目標檢測方法進行了詳細的綜述，并且介紹了目前普遍使用的傳感器和數(shù)據(jù)集。本文根據(jù)三維目標檢測方法所使用到的傳感器，將其分為基于單目相機圖像、點云和融合三大類。然后總結(jié)這些方法的在同一數(shù)據(jù)集上的實驗結(jié)果，以及已有方法存在的不足和未來值得研究的方向。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
今日 Paper | 隨機微分方程；流式自動語音識別；圖像分類等
今日 Paper | 高維感官空間機器人；主動人體姿態(tài)估計；深度視頻超分辨率；行人重識別等
今日 Paper | 3D手勢估計；自學(xué)習(xí)機器人；魯棒語義分割；卷積神經(jīng)網(wǎng)絡(luò)；混合高斯過程等
今日 Paper | 精簡BERT；面部交換；三維點云；DeepFakes 及 5G 等
今日 Paper | 虛假新聞檢測；馬爾可夫決策過程；場景文本識別；博弈論框架等
今日 Paper | 問答系統(tǒng)；3D人體形狀和姿勢；面部偽造檢測；AdderNet等
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
