目錄

12-in-1: 多任務(wù)視覺(jué)和語(yǔ)言表示學(xué)習(xí)

CVPR 2020 | 用于零樣本超分辨率的元轉(zhuǎn)移學(xué)習(xí)

CVPR 2020 | ABCNet：基于自適應(yīng)Bezier-Curve網(wǎng)絡(luò)的實(shí)時(shí)場(chǎng)景文本定位

CVPR 2020 | Sketch Less for More：基于細(xì)粒度草圖的動(dòng)態(tài)圖像檢索

CVPR 2020 | PointAugment：一種自動(dòng)增強(qiáng)的點(diǎn)云分類(lèi)框架

  12-in-1: 多任務(wù)視覺(jué)和語(yǔ)言表示學(xué)習(xí)

論文名稱(chēng)：12-in-1: Multi-Task Vision and Language Representation Learning

作者：Jiasen Lu

發(fā)表時(shí)間：2019/12/11

論文鏈接：https://paper.yanxishe.com/review/13547?from=leiphonecolumn_paperreview0324

推薦原因

本文研究意義：

當(dāng)下AI模型的實(shí)驗(yàn)數(shù)據(jù)集都是小而多樣的，這對(duì)于后續(xù)模型的訓(xùn)練都會(huì)造成很大的影響，在此背景下，本文介紹了一項(xiàng)新穎的數(shù)據(jù)調(diào)度方法——多任務(wù)模型，以幫助避免過(guò)度訓(xùn)練或訓(xùn)練不足。為了驗(yàn)證該方法是否可行，作者分別在12個(gè)視覺(jué)和語(yǔ)言數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，使用這種方法后，我們的單一多任務(wù)模型優(yōu)于12個(gè)單一任務(wù)模型，這一新方法也為后續(xù)的研究帶來(lái)了新潮流。

  CVPR 2020 | 用于零樣本超分辨率的元轉(zhuǎn)移學(xué)習(xí)

論文名稱(chēng)：Meta-Transfer Learning for Zero-Shot Super-Resolution

作者：Soh Jae Woong /Cho Sunwoo /Cho Nam Ik

發(fā)表時(shí)間：2020/2/27

論文鏈接：https://paper.yanxishe.com/review/12829?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，考慮的是零樣本超分辨率的問(wèn)題。

以往的零樣本超分辨率方法需要數(shù)千次梯度更新，推理時(shí)間長(zhǎng)。這篇論文提出用于零樣本超分辨率的元轉(zhuǎn)移學(xué)習(xí)?；谡业竭m合內(nèi)部學(xué)習(xí)的通用初始參數(shù)，所提方法可以利用外部和內(nèi)部信息，一次梯度更新就可以產(chǎn)生相當(dāng)可觀(guān)的結(jié)果，因此能快速適應(yīng)給定的圖像條件，并且應(yīng)用于大范圍圖像。

  CVPR 2020 | ABCNet：基于自適應(yīng)Bezier-Curve網(wǎng)絡(luò)的實(shí)時(shí)場(chǎng)景文本定位

論文名稱(chēng)：ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network

作者：Liu Yuliang /Chen Hao /Shen Chunhua /He Tong /Jin Lianwen /Wang Liangwei

發(fā)表時(shí)間：2020/2/24

論文鏈接：https://paper.yanxishe.com/review/12441?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，考慮的是場(chǎng)景文本檢測(cè)和識(shí)別的問(wèn)題。

現(xiàn)有方法基于字符或基于分段，要么在字符標(biāo)注上成本很高，要么需要維護(hù)復(fù)雜的工作流，都不適用于實(shí)時(shí)應(yīng)用程序。這篇論文提出了自適應(yīng)貝塞爾曲線(xiàn)網(wǎng)絡(luò)（Adaptive Bezier-Curve Network ，ABCNet），包括三個(gè)方面的創(chuàng)新：1）首次通過(guò)參數(shù)化的貝塞爾曲線(xiàn)自適應(yīng)擬合任意形狀文本；2）設(shè)計(jì)新的BezierAlign層，用于提取具有任意形狀的文本樣本的準(zhǔn)確卷積特征，與以前方法相比顯著提高精度；3）與標(biāo)準(zhǔn)圖形框檢測(cè)相比，所提貝塞爾曲線(xiàn)檢測(cè)引入的計(jì)算開(kāi)銷(xiāo)可忽略不計(jì)，從而使該方法在效率和準(zhǔn)確性上均具優(yōu)勢(shì)。對(duì)任意形狀的基準(zhǔn)數(shù)據(jù)集Total-Text和CTW1500進(jìn)行的實(shí)驗(yàn)表明，ABCNet達(dá)到當(dāng)前最佳的準(zhǔn)確性，同時(shí)顯著提高了速度，特別是在Total-Text上，ABCNet的實(shí)時(shí)版本比當(dāng)前最佳方法快10倍以上，且在識(shí)別精度上極具競(jìng)爭(zhēng)力。

  CVPR 2020 | Sketch Less for More：基于細(xì)粒度草圖的動(dòng)態(tài)圖像檢索

論文名稱(chēng)：Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval

作者：Bhunia Ayan Kumar /Yang Yongxin /Hospedales Timothy M. /Xiang Tao /Song Yi-Zhe

發(fā)表時(shí)間：2020/2/24

論文鏈接：https://paper.yanxishe.com/review/12442?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，考慮的是基于草圖的細(xì)粒度圖像檢索，即在給定用戶(hù)查詢(xún)草圖的情況下檢索特定照片樣本的問(wèn)題。

繪制草圖花費(fèi)時(shí)間，且大多數(shù)人都難以繪制完整而忠實(shí)的草圖。為此這篇論文重新設(shè)計(jì)了檢索框架以應(yīng)對(duì)這個(gè)挑戰(zhàn)，目標(biāo)是以最少筆觸數(shù)檢索到目標(biāo)照片。這篇論文還提出一種基于強(qiáng)化學(xué)習(xí)的跨模態(tài)檢索框架，一旦用戶(hù)開(kāi)始繪制，便會(huì)立即開(kāi)始檢索。此外，這篇論文還提出一種新的獎(jiǎng)勵(lì)方案，該方案規(guī)避了與無(wú)關(guān)的筆畫(huà)筆觸相關(guān)的問(wèn)題，從而在檢索過(guò)程中為模型提供更一致的等級(jí)列表。在兩個(gè)公開(kāi)可用的細(xì)粒度草圖檢索數(shù)據(jù)集上的實(shí)驗(yàn)表明，這篇論文所提方法比當(dāng)前最佳方法具有更高的早期檢索效率。

  CVPR 2020 | PointAugment：一種自動(dòng)增強(qiáng)的點(diǎn)云分類(lèi)框架

論文名稱(chēng)：PointAugment: an Auto-Augmentation Framework for Point Cloud Classification

作者：Li Ruihui /Li Xianzhi /Heng Pheng-Ann /Fu Chi-Wing

發(fā)表時(shí)間：2020/2/25

論文鏈接：https://paper.yanxishe.com/review/12686?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，要解決的是點(diǎn)云分類(lèi)的問(wèn)題。

這篇論文提出了一個(gè)名為PointAugment的點(diǎn)云分類(lèi)框架，當(dāng)訓(xùn)練分類(lèi)網(wǎng)絡(luò)時(shí)，該框架會(huì)自動(dòng)優(yōu)化和擴(kuò)充點(diǎn)云樣本以豐富數(shù)據(jù)多樣性。與現(xiàn)有的2D圖像自動(dòng)增強(qiáng)方法不同，PointAugment具有樣本感知功能，并采用對(duì)抗學(xué)習(xí)策略來(lái)共同優(yōu)化增強(qiáng)器網(wǎng)絡(luò)和分類(lèi)網(wǎng)絡(luò)，學(xué)習(xí)生成最適合分類(lèi)器的增強(qiáng)樣本。PointAugment根據(jù)形狀分類(lèi)器和點(diǎn)位移來(lái)構(gòu)造可學(xué)習(xí)的點(diǎn)增強(qiáng)函數(shù)，并根據(jù)分類(lèi)器的學(xué)習(xí)進(jìn)度精心設(shè)計(jì)損失函數(shù)以采用增強(qiáng)樣本。PointAugment在改善形狀分類(lèi)和檢索中的有效性和魯棒性得到了實(shí)驗(yàn)的驗(yàn)證。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

相關(guān)文章：

今日 Paper | CVPR 2020 論文推薦：Social-STGCNN；無(wú)偏場(chǎng)景圖生成；深度人臉識(shí)別；4D 關(guān)聯(lián)圖等

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。