<mark id="oztn4"></mark>
0
CVPR 2020 | 檢測視頻中關注的視覺目標
CVPR 2020 | D3Feat：密集檢測和3D局部特征描述的聯合學習
CVPR 2020 | 搜索中央差分卷積網絡以進行面部反欺
模型的密度估計能力、序列生成能力、BLEU分數之間到底是什么關系
在元學習和具體任務的學習之間尋找平衡
論文名稱：Detecting Attended Visual Targets in Video
作者：Chong Eunji /Wang Yongxin /Ruiz Nataniel /Rehg James M.
發表時間：2020/3/5
論文鏈接：https://paper.yanxishe.com/review/13533?from=leiphonecolumn_paperreview0320
推薦原因
這篇論文被CVPR 2020接收，要解決的是檢測視頻中關注目標的問題。具體來說，目標是確定每個視頻幀中每個人的視線，并正確處理幀外的情況。所提的新架構有效模擬了場景與頭部特征之間的動態交互，以推斷隨時間變化的關注目標。同時這篇論文引入了一個新數據集VideoAttentionTarget，包含現實世界中復雜和動態的注視行為模式。在該數據集上進行的實驗表明，所提模型可以有效推斷視頻中的注意力。為進一步證明該方法的實用性，這篇論文將預測的注意力圖應用于兩個社交注視行為識別任務，并表明所得分類器明顯優于現有方法。
論文名稱：D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features
作者：Bai Xuyang /Luo Zixin /Zhou Lei /Fu Hongbo /Quan Long /Tai Chiew-Lan
發表時間：2020/3/6
論文鏈接：https://paper.yanxishe.com/review/13946?from=leiphonecolumn_paperreview0320
推薦原因
這篇論文被CVPR 2020接收，關注的是對3D特征檢測器的研究。
這篇論文將3D全卷積網絡用于3D點云，并提出一種克服3D點云固有密度變化的關鍵點選擇策略，并進一步提出一種在訓練過程中由實時特征匹配結果指導的自監督探測器損失。新方法可以密集預測每個3D點的檢測得分和描述特征。新方法在3DMatch和KITTI數據集上評估了室內和室外場景的最新結果，并在ETH數據集上顯示出強大的泛化能力。在實際應用中通過采用可靠的特征檢測器，對少量特征進行采樣就足以實現準確、快速的點云對準。
論文名稱：Searching Central Difference Convolutional Networks for Face Anti-Spoofing
作者：Yu Zitong /Zhao Chenxu /Wang Zezheng /Qin Yunxiao /Su Zhuo /Li Xiaobai /Zhou Feng /Zhao Guoying
發表時間：2020/3/9
論文鏈接：https://paper.yanxishe.com/review/13945?from=leiphonecolumn_paperreview0320
推薦原因
這篇論文被CVPR 2020接收，考慮的是面部反欺詐的問題。
這篇論文提出一種基于中央差分卷積的幀級面部反欺詐方法，能夠通過匯總強度和梯度信息來捕獲固有的詳細模式。用中央差分卷積構建的網絡稱為中央差分卷積網絡（Central Difference Convolutional Network，CDCN）。與使用原始卷積構建的網絡相比，CDCN能提供更強大的建模能力。此外，在經過專門設計的中央差分卷積搜索空間上，神經架構搜索可以用于發現更強大的網絡結構，將其與多尺度注意力融合模塊組裝在一起可以進一步提高性能。
論文名稱：On the Discrepancy between Density Estimation and Sequence Generation
作者：Lee Jason /Tran Dustin /Firat Orhan /Cho Kyunghyun
發表時間：2020/2/17
論文鏈接：https://paper.yanxishe.com/review/13949?from=leiphonecolumn_paperreview0320
推薦原因
密度估計、序列生成這兩件任務，一般看來似乎是沒有什么關系的。但這篇論文研究后發現，一個模型的密度估計能力、序列生成能力、BLEU分數三者之間其實有緊密的聯系。
如果把基于給定的輸入 x 預測 y 的分布看作是一個密度估計任務，那么機器翻譯、文本到語音轉換之類的序列生成任務就都可以看作是密度估計，然后就可以進一步用密度估計中使用的條件對數似然測試來評價模型。
不過，我們都這個測試和序列生成模型本身的設計目標還是有所不同的，但似乎沒人研究過其中的區別有多大。在這篇論文中，作者們在多項測試中對比了不同的密度估計結果和BLEU分數之間的關系，發現兩者間的關系受幾條微妙的因素影響，比如對數似然和BLEU高度相關，尤其是對于同一個家族的模型（各種自回歸模型，有同樣的參數先驗的隱含變量模型）。
在做了許多對比總結后，作者們最后建議，如果想要獲得很快的序列生成速度，可以在設計模型時選用帶有隱含變量的非自回歸模型，并且配合使用簡單的先驗。
論文名稱：Learning to Balance: Bayesian Meta-Learning for Imbalanced and Out-of-distribution Tasks
作者：Hae Beom Lee /Hayeon Lee /Donghyun Na /Saehoon Kim /Minseop Park /Eunho Yang /Sung Ju Hwang
發表時間：2019/9/26
論文鏈接：https://paper.yanxishe.com/review/13948?from=leiphonecolumn_paperreview0320
推薦原因
機器學習領域的研究員們希望模型能有更好的泛化能力，不要太過擬合到具體任務的設置里，所以近幾年元學習（meta-learning）的研究非常火熱。
但元學習的研究有時候也掉進了固定的套路里，比如假定要學的多個任務里，每個任務中出現的樣本數量、類別數量都是一致的，所以他們也就會讓模型從每個任務中獲得同樣多的元知識 —— 但實際中，不同任務中的樣本數量、類別數量完全可以是不同的，不同任務的元知識含量也是不同的。所以這種做法并不好。
除此之外，當前的許多元學習研究中并不考慮見到的全新數據的分布如何，有可能這些數據的分布和學過的數據的分布完全不同，就沒辦法用來提高模型的表現。
為了解決這些實際問題，這篇論文提出了一種新的元學習模型，它會在“元學習”和“針對具體任務的學習”兩件事之間尋找平衡，不再是像以往的模型一樣對所有狀況統一處理。實驗表明這種方法的表現大大優于此前所有的元學習方法。
這篇論文被 ICLR2020 接收為口頭報告論文。
雷鋒網雷鋒網雷鋒網
相關文章：
今日 Paper | 物體渲染；圖像和諧化；無偏數據處理方法；面部偽造檢測等
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
