0
| 本文作者： AI研習社 | 2020-03-10 15:43 |
ZoomNet：用于3D對象檢測的部分感知自適應縮放神經網絡
ForecastNet：一種用于多步超前時間序列預測的時變深度前饋神經網絡結構
形變的LSTM
基于消息傳遞的知識圖譜復雜問答
基于深度學習的手繪草圖陰影著色
論文名稱：ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection
作者：Xu Zhenbo /Zhang Wei /Ye Xiaoqing /Tan Xiao /Yang Wei /Wen Shilei /Ding Errui /Meng Ajin /Huang Liusheng
發表時間：2020/3/1
論文鏈接：https://paper.yanxishe.com/review/13287?from=leiphonecolumn_paperreview0310
推薦原因
這是百度發表在AAAI 2020上的工作，用于估計遠處和被遮擋物體的3D姿勢檢測問題。
這篇論文提出了一個名為ZoomNet的新型框架，用于對3D立體圖像進行對象檢測任務。ZoomNet首先使用一個普通的2D對象檢測模型，獲取成對左右邊界框。然后為了進一步利用RGB圖像中豐富的紋理信息來進行更準確的視差估計，ZoomNet使用了一個模塊-自適應縮放塊，同時將2D實例邊框的大小調整為統一的分辨率，并相應地調整了相機的固有參數。同時，這篇論文還提出學習局部位置信息來進一步提升模型性能，并提出了一個3D擬合評分以更好地估計3D檢測模型的質量。在KITTI 3D檢測數據集上進行的實驗表明ZoomNet大大超出了所有先前的最新方法。
論文名稱：ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting
作者：Dabrowski Joel Janek /Zhang YiFan /Rahman Ashfaqur
發表時間：2020/2/11
論文鏈接：https://paper.yanxishe.com/review/11307?from=leiphonecolumn_paperreview0310
推薦原因
這篇論文考慮的是時間序列預測的問題。
深度學習中的循環和卷積神經網絡已經被用于時間序列預測，然而這些網絡通過在時間或空間上重復使用固定參數的一組不變結構來共享參數，使得整個體系結構是時域不變的，降低了執行多步提前預測的能力。這篇論文提出了ForecastNet，使用深度前饋體系結構來提供時變模型。ForecastNet中還使用了交錯輸出，有助于緩解逐漸消失的梯度。實驗證明ForecastNet在多個數據集上的表現優于統計和深度學習基準模型。
論文名稱：MOGRIFIER LSTM
作者：Gábor Melis /Tomá? Kocisky /Phil Blunsom
發表時間：2020/1/29
論文鏈接：https://paper.yanxishe.com/review/11305?from=leiphonecolumn_paperreview0310
推薦原因
核心問題：先進的神經網絡模型的應用是自然語言理解（NaturalLanguage Processing）的眾多任務取得先進性進展的根本原因。但是現有的神經網絡模型仍然不完美，比如存在泛化能力和語言建模能力不強等諸多問題。
創新點：針對于在自然語言理解中最常使用的神經網絡模型是LongShort-Term Memory（LSTM），本論文對其進行了改進，提出了形變的LSTM，通過引入額外的門控運算，使得輸入x和狀態hprw在輸入到LSTM之前進行多輪交互計算，最終使得輸入和上下文之間具有更加豐富的交互表示。
研究意義：這種改進并不復雜，但是這種簡單的修改確在語言模型上取得了顯著的效果。
論文名稱：Message Passing for Complex Question Answering over Knowledge Graphs
作者：Svitlana Vakulenko /Javier David Fernandez Garcia /Axel Polleres /Maarten de Rijke /Michael Cochez
發表時間：2019/8/19
論文鏈接：https://paper.yanxishe.com/review/10988?from=leiphonecolumn_paperreview0310
推薦原因
許多 KGQA 系統只能回答簡單問題（依賴一個三元組、單跳），為此本文提出 QAmp 模型，能夠回答復雜問題（融合多個三元組、多跳），在 LC-QuAD 數據集取得 SOTA 結果。
文章值得借鑒的地方有：對問句模式的定義 q=
該工作使用了新的數據集 LC-QuAD 進行知識圖譜上復雜問答的研究，結合了圖神經網絡的思想，對進一步的研究具有借鑒意義。
論文名稱：Learning to Shade Hand-drawn Sketches
作者：Qingyuan Zheng /Zhuoru Li /Adam Bargteil
發表時間：2020/2/26
論文鏈接：https://paper.yanxishe.com/review/12784?from=leiphonecolumn_paperreview0310
推薦原因
手繪草圖是一種比較流行的藝術創作，隨著深度學習的火熱，有學者研究給草圖著色、將草圖遷移為彩色圖片、從草圖進行三維建模等等。本文提出了一種給草圖添加陰影使其3D視覺效果的方法。
文章提出了一種全自動的方法，通過在深度學習網絡的潛空間中構建3D模型并渲染生成陰影，可以在給定的光照方向下為線描草圖生成詳細準確的藝術陰影。作者還提供了一個新的數據集，包含一千個標記了光照方向的成對的草圖和陰影。文章生成的陰影可以傳遞出草圖場景的基礎3D結構，可以直接使用或者作為藝術家的絕佳起點。
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，希望以論文作為聚合 AI 學生青年的「興趣點」，通過論文整理推薦、點評解讀、代碼復現。致力成為國內外前沿研究成果學習討論和發表的聚集地，也讓優秀科研得到更為廣泛的傳播和認可。
我們希望熱愛學術的你，可以加入我們的論文作者團隊。
加入論文作者團隊你可以獲得
1.署著你名字的文章，將你打造成最耀眼的學術明星
2.豐厚的稿酬
3.AI 名企內推、大會門票福利、獨家周邊紀念品等等等。
加入論文作者團隊你需要：
1.將你喜歡的論文推薦給廣大的研習社社友
2.撰寫論文解讀
如果你已經準備好加入 AI 研習社的論文兼職作者團隊，可以添加運營小姐姐的微信（ID:julylihuaijiang），備注“論文兼職作者”
雷鋒網雷鋒網雷鋒網
相關文章：
今日 Paper | 多軌跡預測研究；3DMM 人臉模型；對抗網絡判別器；交叉模態信息等
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
