0
| 本文作者： AI研習社 | 2020-03-09 15:40 |
多軌跡預(yù)測研究
針對VI-ReID的分層跨模態(tài)行人在識別
3DMM 人臉模型：從過去到現(xiàn)在到未來
一種基于U-Net的生成性對抗網(wǎng)絡(luò)判別器
用于圖像描述的交叉模態(tài)信息的探索和蒸餾
論文名稱：The Garden of Forking Paths: Towards Multi-Future Trajectory Predictio
作者：Junwei Liang
發(fā)表時間：2020/2/1
論文鏈接：https://paper.yanxishe.com/review/13151?from=leiphonecolumn_paperreview0309
推薦原因
研究意義：
軌跡預(yù)測問題是目前AI方向研究的一個熱點問題?；诖?，本文利用多種不同軌跡類型研究了如何高效準確的預(yù)測出路徑的可能分布，從而有助于未來在多目標預(yù)測方面的研究和應(yīng)用。
創(chuàng)新點：
1、創(chuàng)建了一個基于我們現(xiàn)實世界中軌跡數(shù)據(jù)的3D模擬器數(shù)據(jù)集；
2、作者提出了一種新的模型，記為Multiverse，該模型可以準確地用于多軌跡預(yù)測。
論文名稱：Hi-CMD:HierarchicalCross-ModalityDisentanglementforVisible-Infrared PersonRe-Identi?cation
作者：Seokeon Choi
發(fā)表時間：2020/2/1
論文鏈接：https://paper.yanxishe.com/review/13150?from=leiphonecolumn_paperreview0309
推薦原因
研究意義：通過對夜間視頻的監(jiān)控進行跨模態(tài)行人識別是當下ReID方向的一個的難點，目前已經(jīng)受到學(xué)術(shù)界的廣泛關(guān)注。在此背景下，作者提出了一種分層跨模態(tài)行人識別（Hi-CMD）方法。為了實現(xiàn)該方法，作者引入了ID-preserving圖像的生成網(wǎng)絡(luò)和層次特征學(xué)習模塊，通過這種網(wǎng)絡(luò)結(jié)構(gòu)可有效的解決行人在不同姿勢和照明條件下進行ReID任務(wù)。
文章的創(chuàng)新點
1、提出了種一種新穎的VI-ReID行人跨模態(tài)識別方法：Hi-CMD，與傳統(tǒng)的模型方法相比，該模型通過區(qū)分ID-discriminative和可見紅外圖像中的ID-excluded兩種因素，有效地減少了跨模態(tài)和模態(tài)內(nèi)的差異。
2、利用ID-PIG網(wǎng)絡(luò)，避免可能因訓(xùn)練數(shù)據(jù)不足而帶來的問題。
論文名稱：3D Morphable Face Models -- Past, Present and Future
作者：Bernhard Egger / William A. P. Smith / Ayush Tewari / Stefanie Wuhrer / Michael Zollhoefer / Thabo Beeler / Florian Bernard / Timo Bolkart / Adam Kortylewski / Sami Romdhani / Christian Theobalt / Volker Blanz / Thomas Vetter
發(fā)表時間：2019/9/3
論文鏈接：https://paper.yanxishe.com/review/12956?from=leiphonecolumn_paperreview0309
推薦原因
文章詳細介紹了 3DMM 人臉模型自20多年前提出至今以來的發(fā)展，是一篇非常全面非常優(yōu)秀的綜述文章，作者都是由該領(lǐng)域的前沿學(xué)者。
雖然已經(jīng)提出有20多年，但 3DMM 模型的構(gòu)建和應(yīng)用，如捕捉、建模、圖像合成和分析等等，仍然存在眾多挑戰(zhàn)，是一個非?；钴S的研究主題，文章回顧了這些領(lǐng)域中的最新技術(shù)，在最后進一步進行了展望，提出了一些挑戰(zhàn)，為未來的研究提供了一些方向，并強調(diào)了當前和未來的一些應(yīng)用。
強烈建議相關(guān)專業(yè)學(xué)生和老師仔細研讀，是一個不可多得的 3DMM 人臉模型的綜述文章。
論文名稱：A U-Net Based Discriminator for Generative Adversarial Networks
作者：Sch?nfeld Edgar /Schiele Bernt /Khoreva Anna
發(fā)表時間：2020/2/28
論文鏈接：https://paper.yanxishe.com/review/12959?from=leiphonecolumn_paperreview0309
推薦原因
這篇論文被CVPR 2020接收，提出了一種基于U-Net的判別器架構(gòu)，在保持合成圖像的全局一致性的同時，向生成器提供詳細的每像素反饋。在判別器的每像素響應(yīng)支持下，這篇論文進一步提出一種基于CutMix數(shù)據(jù)增強的逐像素一致性正則化技術(shù)，鼓勵U-Net判別器更多關(guān)注真實圖像與偽圖像之間的語義和結(jié)構(gòu)變化，不僅改善了U-Net判別器的訓(xùn)練，還提高了生成樣本的質(zhì)量。新判別器在標準分布和圖像質(zhì)量指標方面改進了現(xiàn)有技術(shù)，使生成器能夠合成具有變化結(jié)構(gòu)、外觀和詳細程度的圖像，并保持全局和局部真實感。與BigGAN基線模型相比，所提方法在FFHQ、CelebA和COCO-Animals數(shù)據(jù)集上平均提高了2.7個FID點。
論文名稱：Exploring and Distilling Cross-Modal Information for Image Captioning
作者：Liu Fenglin /Ren Xuancheng /Liu Yuanxin /Lei Kai /Sun Xu
發(fā)表時間：2020/2/28
論文鏈接：https://paper.yanxishe.com/review/12958?from=leiphonecolumn_paperreview0309
推薦原因
這篇論文要解決的是圖像描述任務(wù)。
這篇論文認為圖像理解需要相關(guān)區(qū)域的視覺注意力信息和對應(yīng)感興趣的屬性的語義注意力信息。為進行有效的注意力捕獲，這篇論文從交互模態(tài)的角度探索圖像描述任務(wù)，并提出全局局部信息探索與蒸餾方法，同時以視覺的和語言的方式探索并提取原始信息。通過提取顯著區(qū)域群組以及屬性的搭配信息，新方法在全局參考基于字幕上下文的圖像空間和關(guān)系表示，在局部提取細粒度區(qū)域和屬性以進行單詞選擇。這篇論文所提的全注意力模型在離線COCO評估中獲得129.3的CIDEr評分，在準確性、速度和參數(shù)量方面均具有優(yōu)勢。
為了更好地服務(wù)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(xué)生青年的「興趣點」，通過論文整理推薦、點評解讀、代碼復(fù)現(xiàn)。致力成為國內(nèi)外前沿研究成果學(xué)習討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認可。
我們希望熱愛學(xué)術(shù)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(xué)術(shù)明星
2.豐厚的稿酬
3.AI 名企內(nèi)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(jīng)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(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
今日 Paper | 4D關(guān)聯(lián)圖；通用表征學(xué)習；元轉(zhuǎn)移學(xué)習；無偏場景圖生成等
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
