今日 Paper | 跨模態行人重識別；對抗時尚遷移；學會注意錯誤；凸混合整數規劃等

本文作者： AI研習社

2020-03-11 14:58

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。

今日 Paper | 跨模態行人重識別；對抗時尚遷移；學會注意錯誤；凸混合整數規劃等

跨模態行人重識別：共享與特異特征變換算法cm-SSFT

論文名稱：Cross-modality Person re-identification with Shared-Specific Feature Transfer

作者：Yan Lu

發表時間：2020/2/1

論文鏈接：https://paper.yanxishe.com/review/13406?from=leiphonecolumn_paperreview0311

推薦原因

本文主要是解決紅外線-RGB跨模態行人重識別的問題。由于Specific feature在對面模態中是不存在的，所以目前工業界大部分跨模態行人在識別算法通常只關注shared feature learning，很少關注Specific feature，比如在紅外線圖片中是沒有彩色顏色信息的。

主要創新點：利用近鄰信息：給定一紅外線query。當搜索彩色target時，可以先找到一些簡單的置信度高的彩色樣本，接著把這些彩色樣本的顏色特異特征給與紅外線query，如此往復，便可以實現利用這些彩色信息再去搜索更難的彩色樣本的功能。

GarmentGAN：具有圖片真實感的對抗時尚遷移

論文名稱：GarmentGAN: Photo-realistic Adversarial Fashion Transfer

作者：Amir Hossein Raffiee /Michael Sollami

發表時間：2020/3/4

論文鏈接：https://paper.yanxishe.com/review/13309?from=leiphonecolumn_paperreview0311

推薦原因

基于機器學習的服裝遷移是近些年的一個研究熱點，是將虛擬試衣落地的較為現實的解決方案，具有非常大的商業價值和市場前景。

一般服裝遷移問題包含兩個任務：一是學習將目標人體和服裝分離，二是生成目標人體穿著任意衣服的新的圖片。本文提出的GarmentGAN是一種基于生成對抗網絡的服裝遷移算法，其包含兩個獨立的GAN：形狀遷移網絡和外觀遷移網絡，分別處理這兩個任務，能夠生成較為逼真的目標圖片，對于復雜的人體姿態、手部姿勢、遮擋情況都能處理的不錯。作者最后將GarmentGAN與目前state-of-the-art的方法進行了定性和定量的比較，證明了該方法的有效性。

學習將紋理從服裝圖像轉移到3D人體

論文名稱：Learning to Transfer Texture from Clothing Images to 3D Humans

作者：Aymen Mir /Thiemo Alldieck /Gerard Pons-Moll

發表時間：2020/3/4

論文鏈接：https://paper.yanxishe.com/review/13303?from=leiphonecolumn_paperreview0311

推薦原因

本文已被CVPR2020接收，提出了一種實時自動的從衣服圖片的紋理遷移到SMPL人體模型的3D服裝上，是一種3D虛擬試衣的最新解決方案，數據和代碼將被開源，目前尚未公開。項目地址：https://virtualhumans.mpi-inf.mpg.de/pix2surf/。

作者首先使用非剛性3D到2D注冊的方法，生成了服裝圖片和3D外衣的數據對，這種方法非常準確但是速度很慢。然后作者基于這些數據對，通過神經網絡學習了圖片像素到3D服裝表面的映射。作者通過實驗表面該方法比基于薄板樣條的圖片變形和圖片到圖片的遷移網絡更加準確更加快速。

文章方法提供了3D虛擬試衣的新方法，效果逼真，速度快(實時)，值得關注。

學會注意錯誤

論文名稱：Learning to pay attention on mistakes

作者：Anonymous authors

發表時間：2020/1/25

論文鏈接：https://paper.yanxishe.com/review/13405?from=leiphonecolumn_paperreview0311

推薦原因

在醫學圖像分割任務中，重點是從背景像素中檢測和區分出代表感興趣區域的前景像素。到目前為止，背景像素構成了圖像中大多數像素。這導致基于深度學習的醫學圖像分割頻繁出現的假陰性像素分類，即前景像素被錯誤地分類為屬于背景像素類別。作者提出了一種新的注意力機制來解決這種較高的假陰性檢測率。作者的方法試圖引導模型進行更多的假陽性檢測，從而糾正由于訓練數據不平衡而導致的分類結果不平衡。提出的注意力機制有三種實現方式：（1）顯式指導模型以檢測誤報；（2）通過轉向相反的假陰性來隱式學習假陽性；（3）在多任務環境中，共同引導假陽性和假陰性的學習。為了驗證提出的方法，作者在一個比較難的任務中驗證了我們提出的網絡：對腫瘤核心進行分割。在BRATS 2018訓練數據上進行5次交叉驗證后，作者的模型優于9個最新的基準模型，包括：空間注意力，空間通道注意力和自我注意力。作者的第三種實現將假陰性降低了10.4％，而假陽性的檢增加卻可以忽略不計。作者的第三個方案還將網絡的Hausdorff距離提高了28％以上，同時將IoU值提高了3％以上。除了顯著的性能提升外，提出的注意機制通過一個有效的感受也具有直觀的可解釋。因為該論文還在Under Review，為了保持保持匿名，該論文隱藏了GitHub上的代碼的鏈接，后續會公布。