人工智能■今日 Paper | 缩放神经网络;形变的LSTM;知识图谱复杂问答;阴影着色等


人工智能■今日 Paper | 缩放神经网络;形变的LSTM;知识图谱复杂问答;阴影着色等
本文插图
目录ZoomNet:用于3D对象检测的部分感知自适应缩放神经网络
ForecastNet:一种用于多步超前时间序列预测的时变深度前馈神经网络结构
形变的LSTM
基于消息传递的知识图谱复杂问答
基于深度学习的手绘草图阴影着色
ZoomNet:用于3D对象检测的部分感知自适应缩放神经网络论文名称: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
发表时间:2020/3/1
论文链接:https://paper.yanxishe.com/review/13287?from=leiphonecolumn_paperreview0310
推荐原因
这是百度发表在AAAI 2020上的工作 , 用于估计远处和被遮挡物体的3D姿势检测问题 。
这篇论文提出了一个名为ZoomNet的新型框架 , 用于对3D立体图像进行对象检测任务 。 ZoomNet首先使用一个普通的2D对象检测模型 , 获取成对左右边界框 。 然后为了进一步利用RGB图像中丰富的纹理信息来进行更准确的视差估计 , ZoomNet使用了一个模块-自适应缩放块 , 同时将2D实例边框的大小调整为统一的分辨率 , 并相应地调整了相机的固有参数 。 同时 , 这篇论文还提出学习局部位置信息来进一步提升模型性能 , 并提出了一个3D拟合评分以更好地估计3D检测模型的质量 。 在KITTI 3D检测数据集上进行的实验表明ZoomNet大大超出了所有先前的最新方法 。
人工智能■今日 Paper | 缩放神经网络;形变的LSTM;知识图谱复杂问答;阴影着色等
本文插图

人工智能■今日 Paper | 缩放神经网络;形变的LSTM;知识图谱复杂问答;阴影着色等
本文插图
ForecastNet:一种用于多步超前时间序列预测的时变深度前馈神经网络结构论文名称: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
发表时间:2020/2/11
论文链接:https://paper.yanxishe.com/review/11307?from=leiphonecolumn_paperreview0310
推荐原因
这篇论文考虑的是时间序列预测的问题 。
深度学习中的循环和卷积神经网络已经被用于时间序列预测 , 然而这些网络通过在时间或空间上重复使用固定参数的一组不变结构来共享参数 , 使得整个体系结构是时域不变的 , 降低了执行多步提前预测的能力 。 这篇论文提出了ForecastNet , 使用深度前馈体系结构来提供时变模型 。 ForecastNet中还使用了交错输出 , 有助于缓解逐渐消失的梯度 。 实验证明ForecastNet在多个数据集上的表现优于统计和深度学习基准模型 。
人工智能■今日 Paper | 缩放神经网络;形变的LSTM;知识图谱复杂问答;阴影着色等
本文插图

人工智能■今日 Paper | 缩放神经网络;形变的LSTM;知识图谱复杂问答;阴影着色等
本文插图
形变的LSTM论文名称:MOGRIFIER LSTM
作者:Gábor Melis /Tomá? Kocisky /Phil Blunsom
发表时间:2020/1/29
论文链接:https://paper.yanxishe.com/review/11305?from=leiphonecolumn_paperreview0310
推荐原因
核心问题:先进的神经网络模型的应用是自然语言理解(NaturalLanguage Processing)的众多任务取得先进性进展的根本原因 。 但是现有的神经网络模型仍然不完美 , 比如存在泛化能力和语言建模能力不强等诸多问题 。
创新点:针对于在自然语言理解中最常使用的神经网络模型是LongShort-Term Memory(LSTM) , 本论文对其进行了改进 , 提出了形变的LSTM , 通过引入额外的门控运算 , 使得输入x和状态hprw在输入到LSTM之前进行多轮交互计算 , 最终使得输入和上下文之间具有更加丰富的交互表示 。


推荐阅读