今日 Paper | 分布式表示；基于元學(xué)習(xí)；縣級(jí)數(shù)據(jù)集；GPS-NET等

本文作者： AI研習(xí)社

2020-04-15 10:14

導(dǎo)語(yǔ)：為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊。

句子和文檔的分布式表示

論文名稱：Distributed Representations of Sentences and Documents

作者：Quoc Le /Tomas Mikolov

發(fā)表時(shí)間：2014/4/16

論文鏈接：https://paper.yanxishe.com/review/16072?from=leiphonecolumn_paperreview0415

推薦原因

核心問(wèn)題：這篇文章主要做了一個(gè)問(wèn)題，就是如何表示一個(gè)文檔或者句子的向量，過(guò)去我們常常學(xué)習(xí)到詞向量，而這個(gè)工作進(jìn)一步的提升，變?yōu)榱巳绾伪硎菊麄€(gè)句子的詞向量。

創(chuàng)新點(diǎn)：本文應(yīng)用了word2vec中詞向量的訓(xùn)練方法，具體來(lái)說(shuō)在每詞輸入的時(shí)候，都將文章的id進(jìn)行輸入，通過(guò)反向傳播算法，此時(shí)文章id對(duì)應(yīng)的embedding就是最終的文檔的編碼。

研究意義：文檔的表示應(yīng)用很多，如果能夠得到一個(gè)非常好的文檔表示，那么詞向量的表示就可以進(jìn)行省略了。

今日 Paper | 分布式表示；基于元學(xué)習(xí)；縣級(jí)數(shù)據(jù)集；GPS-NET等

基于元學(xué)習(xí)的場(chǎng)景自適應(yīng)視頻幀插值

論文名稱：Scene-Adaptive Video Frame Interpolation via Meta-Learning

作者：Choi Myungsub /Choi Janghoon /Baik Sungyong /Kim Tae Hyun /Lee Kyoung Mu

發(fā)表時(shí)間：2020/4/2

論文鏈接：https://paper.yanxishe.com/review/16066?from=leiphonecolumn_paperreview0415

推薦原因

這篇論文被CVPR 2020接收，考慮的是視頻幀插值的問(wèn)題。

在這個(gè)問(wèn)題中，根據(jù)前景和背景運(yùn)動(dòng)、幀速率和遮擋的變化，每個(gè)視頻都有不同場(chǎng)景。因此具有固定參數(shù)的單個(gè)網(wǎng)絡(luò)很難跨不同視頻進(jìn)行概括。理想情況下每個(gè)場(chǎng)景都可以有一個(gè)不同網(wǎng)絡(luò)，但在實(shí)際應(yīng)用的計(jì)算中是不可行的。這篇論文提出通過(guò)利用在測(cè)試時(shí)容易獲得的其他信息來(lái)使模型適應(yīng)每個(gè)視頻。首先通過(guò)簡(jiǎn)單的網(wǎng)絡(luò)微調(diào)來(lái)展示“測(cè)試時(shí)間自適應(yīng)”（test-time adaptation）的好處，然后通過(guò)將其與元學(xué)習(xí)融合以顯著提高效率。這篇論文表明僅需進(jìn)行一次梯度更新即可獲得顯著性能提升，而無(wú)需任何其他參數(shù)。最后，這篇論文證明元學(xué)習(xí)框架可以輕松應(yīng)用于任何視頻幀插值網(wǎng)絡(luò)，且可以在多個(gè)基準(zhǔn)數(shù)據(jù)集上持續(xù)提高其性能。

美國(guó)對(duì)COVID-19的反應(yīng)的縣級(jí)數(shù)據(jù)集

論文名稱：A County-level Dataset for Informing the United States' Response to COVID-19

作者：Killeen Benjamin D. /Wu Jie Ying /Shah Kinjal /Zapaishchykova Anna /Nikutta Philipp /Tamhane Aniruddha /Chakraborty Shreya /Wei Jinchi /Gao Tiger /Thies Mareike /Unberath Mathias

發(fā)表時(shí)間：2020/4/1

論文鏈接：https://paper.yanxishe.com/review/16065?from=leiphonecolumn_paperreview0415

推薦原因

這篇論文為COVID-19的疫情研究者和政策制定者貢獻(xiàn)了一個(gè)新的數(shù)據(jù)集，該數(shù)據(jù)集匯總了縣級(jí)政府、新聞和學(xué)術(shù)來(lái)源的相關(guān)數(shù)據(jù)。除JHU CSSE COVID-19信息中心的縣級(jí)時(shí)間序列數(shù)據(jù)外，該數(shù)據(jù)集還包含300多個(gè)變量，這些變量匯總了人口估計(jì)值、人口統(tǒng)計(jì)學(xué)、族裔、住房、教育、就業(yè)以及未來(lái)收入、氣候、過(guò)境得分及與醫(yī)療保健系統(tǒng)相關(guān)的各項(xiàng)指標(biāo)。此外，這篇論文匯總了每個(gè)縣（包括雜貨店和醫(yī)院）各個(gè)景點(diǎn)的戶外活動(dòng)信息，并匯總了SafeGraph的數(shù)據(jù)。通過(guò)收集這些數(shù)據(jù)，并提供讀取這些數(shù)據(jù)的工具，該文作者希望能夠幫助研究人員調(diào)查疾病的傳播方式以及哪些社區(qū)最能適應(yīng)在家中工作。

跨域文檔對(duì)象檢測(cè)：基準(zhǔn)套件和方法

論文名稱：Cross-Domain Document Object Detection: Benchmark Suite and Method

作者：Li Kai /Wigington Curtis /Tensmeyer Chris /Zhao Handong /Barmpalios Nikolaos /Morariu Vlad I. /Manjunatha Varun /Sun Tong /Fu Yun

發(fā)表時(shí)間：2020/3/30

論文鏈接：https://paper.yanxishe.com/review/15953?from=leiphonecolumn_paperreview0415

推薦原因

這篇論文被CVPR 2020接收，考慮的是文檔對(duì)象檢測(cè)（Document Object Detection，DOD）的問(wèn)題。

這篇論文研究跨域DOD，使用源域中的標(biāo)記數(shù)據(jù)和目標(biāo)域中的未標(biāo)記數(shù)據(jù)來(lái)學(xué)習(xí)目標(biāo)域的檢測(cè)器。為此這篇論文建立了一個(gè)基準(zhǔn)套件，其中包含可用于跨域DOD模型訓(xùn)練和評(píng)估的不同類型PDF文檔數(shù)據(jù)集。對(duì)于每個(gè)數(shù)據(jù)集，這篇論文提供頁(yè)面圖像、邊框標(biāo)注、PDF文件及從PDF文件提取的渲染層。此外，這篇論文提出了一種新跨域DOD模型，該模型基于標(biāo)準(zhǔn)檢測(cè)模型并通過(guò)合并三個(gè)新的對(duì)齊模塊來(lái)解決域偏移：特征金字塔對(duì)齊模塊，區(qū)域?qū)R模塊和渲染層對(duì)齊模塊。在基準(zhǔn)套件上進(jìn)行的實(shí)驗(yàn)證實(shí)了新方法的優(yōu)越性。

GPS-NET：用于場(chǎng)景圖形生成的圖形屬性傳感網(wǎng)絡(luò)

論文名稱：GPS-Net: Graph Property Sensing Network for Scene Graph Generation

作者：Lin Xin /Ding Changxing /Zeng Jinquan /Tao Dacheng

發(fā)表時(shí)間：2020/3/29

論文鏈接：https://paper.yanxishe.com/review/15952?from=leiphonecolumn_paperreview0415

推薦原因

這篇論文被CVPR 2020接收，要處理的是場(chǎng)景圖生成（Scene Graph Generation，SGG）問(wèn)題，即檢測(cè)圖像中的對(duì)象及其成對(duì)關(guān)系。

這篇論文提出了一種圖形屬性傳感網(wǎng)絡(luò)（Graph Property Sensing Network，GPS-Net）。GPS-Net首先通過(guò)一種新的消息傳遞模塊，使用特定于節(jié)點(diǎn)的上下文信息來(lái)增強(qiáng)節(jié)點(diǎn)特征，并通過(guò)三線性模型對(duì)邊緣方向信息進(jìn)行編碼。其次，GPS-Net引入節(jié)點(diǎn)優(yōu)先級(jí)敏感損失，以反映訓(xùn)練期間節(jié)點(diǎn)之間的優(yōu)先級(jí)差異。第三，GPS-Net通過(guò)首先軟化分布，然后根據(jù)每個(gè)對(duì)象對(duì)的視覺(jué)外觀對(duì)其進(jìn)行調(diào)整來(lái)緩解長(zhǎng)尾分布問(wèn)題。GPS-Net在三個(gè)數(shù)據(jù)庫(kù)，即VG，OI和VRD上實(shí)現(xiàn)了當(dāng)前的最佳性能。