<mark id="oztn4"></mark>
0
| 本文作者： 隔壁王大喵 | 編輯：郭奕欣 | 2017-07-19 20:56 | 專題：CVPR 2017 |
雷鋒網AI科技評論按：CVPR全稱為“IEEE Conference on Computer Vision and Pattern Recognition”（計算機視覺與模式識別會議），是計算機視覺與模式識別領域最有影響力的國際學術會議之一。CVPR將于2017于7月21日至7月26日舉行，雷鋒網AI科技評論將從夏威夷帶來一線報道。該會議舉辦期間，雷鋒網將圍繞會議議程及獲獎論文展開系列專題報道，敬請期待。
論文作者：Dongdong Chen, Lu Yuan, Jing Liao, Nenghai Yu, Gang Hua
論文鏈接：https://arxiv.org/abs/1703.09210
論文摘要：
據雷鋒網了解，該項工作提出了一種基于神經網絡的SytleBank算法。該算法的用途顧名思義就是用于圖像風格遷移（Image style transfer）。StyleBank由許多的卷積濾波器堆（Convolution filter banks）組成，并且每一個濾波器堆（Filter bank）代表了一種圖像風格。為了將一張圖像風格轉換成特定的畫風，與之相對應的濾波器堆將被應用于由單個自動編碼器（Auto-encoder）生成的中間特征嵌入（Intermediate feature embedding）上。
圖一，展示了該論文采用的網絡結構，它包含有3個模塊：圖像編碼器、負責風格轉換的StyleBank層和圖像解碼器。
據悉，StyleBank和自動編碼器將以聯合的方式同時進行學習訓練。然后由于采用了顯示濾波器堆表征（Explicit filter bank representation）這一結構所帶來的靈活性，使得網絡在學習過程中，自動編碼器不需要對任何圖像風格信息進行編碼。
圖二，展示了從風格化后圖像中的兩種代表性補丁中學習到的風格重構。
另外該結構也使得我們能夠在網絡上實現增量學習（Incremental learning），也就說，我們可以在保持自動編碼器不變的情況下通過學習全新的濾波器堆的方式，給網絡添加全新的圖像風格。顯式的風格表征（Explicit style representation）以及靈活的網絡設計，使得我們不僅能在圖像級別（Image level）融合風格，而且在更細微的區域級別（Region level）也能實現畫風融合。
圖三，經典圖像的風格化結果，包含了四部分不同的顏色或紋理。
同時，該項工作所提出的方法也是第一個借鑒了傳統的文本映射方法（Texton mapping methods）的風格遷移網絡，從而為基于神經網絡的風格遷移研究提供了新的思路。此外，該方法還具有很多其它的優點，比如：容易訓練、實時運行、生成的圖像效果較好。
論文作者：Zhaofan Qiu, Ting Yao, Tao Mei
論文鏈接：https://arxiv.org/abs/1611.09502
論文摘要：
深度卷積神經網絡（Deep convolutional neural networks, CNNs）已經被證實了對于處理視覺識別問題的有效性，而其中從卷積層的激活中學習通用表示（Universal representation）則是一個更加根本的問題。據雷鋒網了解，在這項由梅濤老師指導的研究工作中，研究員們提出了使用變分自動編碼器（Variational AutoEncoder, VAE）的Fisher Vector編碼（FV-VAE），這是一種全新的深度架構。該架構通過端到端（End-to-end）的方式進行訓練，以實現量化深度生成模型（Deep generative model）中卷積層的局部激活。
圖一，展示了來自CNN不同卷積層激活的可視化表示。第一行，全連接層的全局激活；第二行，采用Fisher Vector編碼的卷積激活；第三行，采用FV-VAE編碼的卷積激活。
為了將FV編碼策略納入到深度生成模型中，研究員們引入了變分自動編碼器模型，該模型引導了神經網絡中的變分推理和學習，并且可以使用標準的隨機梯度下降法直接進行優化。與通過簡單地將離散混合模型擬合為數據分布的常規生成模型（例如，高斯混合模型）來表征的FV不同，該論文中所提出的FV-VAE能夠更加靈活地表示出數據的自然特性，并且具備更好的泛化能力。最后，研究員們在視頻動作識別（Video action recognition）和細粒度圖像分類（Fine-grained image classification）兩項任務中，分別在UCF101、ActivityNet和CUB-200-2011三個公共數據集上進行了大量的實驗。與目前最新的其它同類方法相比，實驗結果表現優秀。而最顯著的是，FV-VAE在UCF101數據集上達到了94.2%的準確率，這一數值是當前最佳。
論文作者：Xiangyu Kong, Bo Xin, Yizhou Wang, Gang Hua
論文鏈接：https://arxiv.org/abs/1702.05573
論文摘要：
該篇論文的研究員研究了在互動場景下，多個對象的聯合自頂向下主動搜索（Joint top-down active search）的問題，例如，騎自行車的人，放在桌上的杯子等。研究員認為在互動場景中，對象之間的交互通常可以為彼此提供上下文提示，利用這一信息將有助于提高搜索的效率。據悉，通過將每個檢測器作為智能代理，該論文第一個提出了協作多智能代理（Collaborative multi-agent）的深度強化學習算法，在有效利用這些有益的上下文信息的基礎上，學習聯合主動對象定位（Joint active object localization）的最優策略。
圖一，展示了聯合智能代理檢測（Joint agent detection）與單一智能代理檢測（Single agent detection）的結果比較。邊框（Bounding box）的軌跡通過顏色漸變來展示。藍色用于人物而紅色用于自行車。其中成功的檢測結果通過加粗的綠色邊框進行強調。當采用聯合智能代理檢測時，在15次迭代之內便檢測到了自行車和小孩；當采用單一智能代理檢測時，即便在200次迭代之后依然沒有正確定位到自行車（圖中只顯示了前30次迭代）。
該論文中，通過Q-networks之間的門控交叉連接來學習多智能代理間通信，而這一點的實現則依賴于具有聯合開發采樣（Joint exploitation sampling）的新型多智能代理深度Q-learning學習算法。論文的研究員在多對象檢測基準（Multiple object detection benchmarks）中驗證該方法。最后，實驗表明該模型不僅有助于提高最新的活躍定位模型（Active localization models）的性能，還能揭示直觀可解釋的有趣的聯合檢測模式（Co-detection patterns）。
論文作者：Jiaolong Yang, Peiran Ren, Dongqing Zhang, Dong Chen, Fang Wen, Hongdong Li, Gang Hua
作者主頁：https://www.microsoft.com/en-us/research/people/jiaoyan/
論文鏈接：https://arxiv.org/abs/1603.05474
論文摘要：
本文提出了一種用于視頻中人臉識別的神經聚合網絡（Neural Aggregation Network, NAN）。據悉，該網絡將人臉視頻或者人臉圖像集（這些人臉數據中關于某一個人的人臉圖像數量可變）作為輸入，然后生成可用于識別的緊湊且維度固定的特征表示。整個網絡由兩大模塊組成。
圖一，展示了視頻人臉識別的網絡架構。所有的人臉圖像輸入{xk}都在特征嵌入模塊通過CNN進行處理了，然后生成一組特征向量{fk}。然后這些特征將被傳送給聚合模塊，以便于生成一個單一的128維的向量r1，并以此作為輸入人臉的表征。之后該表征將被用于人臉識別。
特征嵌入模塊（Feature embedding module）是一個深度卷積神經網絡（CNN），它的作用是將每張人臉圖像映射到一個特征向量。而另一個模塊是聚合模塊（Aggregation module），它由兩個注意力塊（Attention blocks）組成，注意力塊能夠自適應地聚合特征向量，以便于在兩個塊所跨越的凸包中形成單個特征。同時因為注意力機制的引入，圖像順序將不影響聚合的結果。該論文所提出的NAN受到標準分類或驗證損失的訓練，并且沒有任何額外的監督信號。然后還發現了，NAN能夠自動學會偏向采用高質量的人臉圖像而排斥低質量的人臉，比如模糊、遮擋和曝光不當的面部圖像。通過在IJB-A、YouTuBe Face、Celebrity-1000這三個視頻人臉識別基準上的實驗表明，NAN始終優于樸素聚合方法（Naive aggregation methods），并且也刷新了準確率。
Via CVPR 2017，雷鋒網整理
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
