^{<sub id="jgr5k"></sub>}

Paper 研習社本周論文推薦精選 | 第一期

本文作者： AI研習社

2019-09-16 11:18

導語：「本周論文精選」是 Paper 研習社推出的全新欄目，展現社友們在研習論文的過程中，推薦自己所閱讀到的優秀論文，幫助大家一起學習、討論每個領域最新、最精彩的學術

「本周論文精選」是 Paper 研習社推出的全新欄目，展現社友們在研習論文的過程中，推薦自己所閱讀到的優秀論文，幫助大家一起學習、討論每個領域最新、最精彩的學術論文。

①

#卷積神經網絡#

【中科院】重新審視卷積神經網絡的通道數

推薦理由：此前已有EfficientNet[1]等工作使用神經架構搜索(NAS)方法對卷積神經網絡(CNN)的整體規模（深度，寬度，分辨率）進行探究。這次，作者專門針對CNN中卷積層的通道數開刀，用基于進化算法的NAS算法探究控制網絡參數量不變的情況下如何更好地分配網絡各層的通道數。作者的實驗結果表明，使用本文的NAS算法搜索改進后的分類網絡在CIFAR-10和CIFAR-100數據集上可分別達到約0.5%和2.33%的準確率提升。

論文鏈接：https://arxiv.org/abs/1909.01861

代碼鏈接：https://github.com/Search-Width/Search-the-Number-of-Channels

推薦人：林肯二百一十三（西安交通大學軟件工程）

②

#計算機視覺#

從照片到現實，使用單張照片生成逼真人臉

本文是上海科技大學的一個工作，可以通過單張照片就生成一個較為逼真的三維人臉圖像，這和最近火熱的「ZAO」有相似之處，這也是一個比較好玩的一個項目，有興趣的可以看下他們的方法，并且下載他們開放的源碼試一試。

論文鏈接：https://arxiv.org/abs/1904.08479

代碼鏈接：https://github.com/apchenstu/Facial_Details_Synthesis

推薦人：秋夕（南華大學物聯網工程，推薦于ICCV頂會交流小組，ICCV 2019頂會贊助計劃參與者）

③

#目標檢測#

精確目標檢測的不確定邊界框回歸

推薦理由：大規模的目標檢測數據集(例如MS-COCO)在進行Ground Truth框標注時仍然存在歧義。這篇論文提出了新的邊界框回歸損失針對目標框的移動以及位置方差進行學習，這種方法在幾乎不增加計算量的基礎上提高不同結構定位的準確性。另一個關鍵點事，由于學習了bounding box的分布，可以將其應用在NMS階段合并相鄰目標框，進一步提升定位的準確性。代碼可在github.com/yihui-he/KL-Loss找到。

論文鏈接：https://arxiv.org/abs/1809.08545

代碼鏈接：https://github.com/yihui-he/KL-Loss

推薦人：BBuf（西南科技大學電子信息工程）

④

#小樣本學習#

自定義和組合神經網絡進行小樣本學習

這篇論文是天津大學和新加坡國立合作的一篇用meta-learning 做 few-shot learning 的文章, 算是meta-learning的文章中寫的比較接地氣的,比較好看懂的文章, 看了這篇文章基本就可以知道 few-shot learning 以及meta-learning 是做什么的. 主要還是學習一種更好更快的adaption, transfer的算法。

論文鏈接：https://arxiv.org/abs/1904.08479

推薦人：志浩（中國石油大學(華東) 機械工程，推薦于ICCV頂會交流小組，ICCV 2019頂會贊助計劃參與者）

⑤

#深度學習##網絡優化# #網絡訓練#

從動態系統和最優控制角度統一深度學習基礎理論

統一深度學習基礎理論的一個新嘗試（笑）。這篇論文的作者們把深度神經網絡看作一個時間離散的非線性動態系統，運用動態系統和最優控制學科的視角，通過均值場理論分析信息是如何在不同的層之間傳播的。此外，他們還嘗試用隨機輸入動態響應來解釋網絡的收斂和泛化屬性。

作者們聲稱他們的框架和監督學習高度相符，也可以輕松地拓展到貝葉斯學習、對抗性訓練、某些形式的元學習等等。他們相信動態系統和最優控制學科的理論和思路對深度學習理論的發展能夠起到很大幫助。

論文鏈接：https://arxiv.org/abs/1908.10920

推薦人：楊曉凡（論文研習社首席論文推薦官）

???

除了上述的的五篇精選論文推薦，我們還為你精心準備了可以一鍵下載的論文集：

ICCV 1998-2017 年最佳論文合集NeurIPS 2019 GNN 論文合集