今日 Paper | 二氧化碳排放預(yù)測；3D人臉重建；BERTology入門；動態(tài)場景重建等

本文作者： AI研習(xí)社

2020-03-27 18:05

導(dǎo)語：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。

用機器學(xué)習(xí)方法對電網(wǎng)中的二氧化碳排放強度進行短期預(yù)測

論文名稱：Short-Term Forecasting of CO2 Emission Intensity in Power Grids by Machine Learning

作者：Kenneth Leerbeck /Peder Bacher /Rune Junker /Goran Goranovi? /Olivier Corradi /Razgar Ebrahimy /Anna Tveit /Henrik Madsen

發(fā)表時間：2020/3/10

論文鏈接：https://paper.yanxishe.com/review/14223?from=leiphonecolumn_paperreview0327

推薦原因

1 核心問題

本文主要解決的是用機器學(xué)習(xí)方法來預(yù)測丹麥招標(biāo)地區(qū)中電網(wǎng)二氧化碳的排放強度，區(qū)分平均排放量和邊際排放量的問題

2 創(chuàng)新點

本文使用多變量線性回歸模型建模，使用傅立葉序列來對季節(jié)波動進行衡量，使用Splines來捕獲非線性特征。在面對大量屬性時，本文結(jié)合了Lasso以及前向特征選擇算法來進行特征選擇。在最后的softmax層中根據(jù)不同驗證集的平均RMSE使用權(quán)重平均模型進行了處理。

3 研究意義

本文發(fā)現(xiàn)邊際排放量和DK2區(qū)域的狀況完全不同，說明了邊際發(fā)電機位于相鄰區(qū)域中，并且提出的方法可以在不需要提前詳細(xì)了解的情況下，用于歐洲電網(wǎng)中的任意投標(biāo)區(qū)域。

今日 Paper | 二氧化碳排放預(yù)測；3D人臉重建；BERTology入門；動態(tài)場景重建等

基于圖卷積神經(jīng)網(wǎng)絡(luò)的高保真3D人臉重建

論文名稱：Towards High-Fidelity 3D Face Reconstruction from In-the-Wild Images Using Graph Convolutional Networks

作者：Jiangke Lin /Yi Yuan /Tianjia Shao /Kun Zhou

發(fā)表時間：2020/3/12

論文鏈接：https://paper.yanxishe.com/review/14158?from=leiphonecolumn_paperreview0327

推薦原因

該文章是CVPR2020的人臉重建文章。

在過去幾年中，基于3DMM的方法在從單視圖圖像恢復(fù)3D面部形狀方面取得了巨大的成功。然而通過這種方法恢復(fù)的面部紋理缺乏輸入圖像中所表現(xiàn)的保真度。最近也有一些工作使用在高質(zhì)量面部紋理UV貼圖的大規(guī)模數(shù)據(jù)集中訓(xùn)練的生成網(wǎng)絡(luò)，能夠生成高質(zhì)量的面部紋理，但數(shù)據(jù)集很難準(zhǔn)備且沒有公開。

本文介紹了一種從單視角自然圖像重建具有高保真紋理的3D面部形狀的方法，無需大規(guī)模的面部紋理數(shù)據(jù)庫。其主要思想是使用來自輸入圖像的面部細(xì)節(jié)來優(yōu)化基于3DMM方法生成的初始紋理，使用圖卷積網(wǎng)絡(luò)來重建網(wǎng)格頂點的詳細(xì)顏色而不是重建紋理貼圖。實驗表明文章方法可以產(chǎn)生高質(zhì)量的重建結(jié)果，優(yōu)于最新的方法。

BERTology入門：解讀BERT的工作原理

論文名稱：A Primer in BERTology: What we know about how BERT works

作者：Anna Rogers

發(fā)表時間：2020/2/7

論文鏈接：https://paper.yanxishe.com/review/13947?from=leiphonecolumn_paperreview0327

推薦原因

本文是一篇綜述性文章，概述了目前學(xué)術(shù)界對Bert已取得的研究成果，并且對后續(xù)的研究也進行了展望，適合于初入BERT模型的人員學(xué)習(xí)。本文的框架作者主要從BERT網(wǎng)絡(luò)結(jié)構(gòu)、BERT embeddings、BERT中的句法知識（Syntactic knowledge）、語義知識（Semantic knowledge）和知識庫（World knowledge）以及Self-attention機制等角度對當(dāng)下學(xué)術(shù)界對BERT的研究進行了說明，基于前面的介紹，作者對BERT是如何訓(xùn)練、當(dāng)模型過于復(fù)雜時應(yīng)給如何解決等問題給出了相應(yīng)的解決方案。最后作者對BERT未來的研究方向以及需要解決的問題提出了展望。

DymSLAM：基于幾何運動分割的動態(tài)場景重建

論文名稱：DymSLAM:4D Dynamic Scene Reconstruction Based on Geometrical Motion Segmentation

作者：Chenjie Wang /Bin Luo /Yun Zhang /Qing Zhao /Lu Yin /Wei Wang /Xin Su /Yajun Wang /Chengyuan Li

發(fā)表時間：2020/3/10

論文鏈接：https://paper.yanxishe.com/review/13904?from=leiphonecolumn_paperreview0327

推薦原因

大多數(shù)SLAM算法都是基于靜態(tài)場景假設(shè)，但實際情況下大多數(shù)場景都是動態(tài)的，包含動態(tài)對象，因此此類方法都不適用。

本文提出了DymSLAM，一種基于動態(tài)立體實際SLAM系統(tǒng)，能夠重建包含剛性運動對象的4D(3D+時間)動態(tài)場景。DymSLAM的唯一輸入是立體視頻，輸出靜態(tài)環(huán)境的密集圖，運動對象的3D模型以及相機和運動對象的軌跡。系統(tǒng)首先使用傳統(tǒng)SLAM方法檢測并匹配連續(xù)幀直接的興趣點，然后通過多模型擬合算法將屬于不同運動模型(包括自我運動和剛性對象運動)的興趣點進行分割?；谧晕疫\動的興趣點預(yù)測相機軌跡和靜態(tài)背景，基于剛性對象運動的興趣點用于估計對象相對于相機的相對運動并重建對象的3D模型。最后再3D對象的運動融合到環(huán)境的3D地圖中，以獲得4D序列。

問題提出了包含剛性運動物體的SLAM系統(tǒng)，能夠重建場景中剛性運動對象的模型及其運動軌跡，可以用于機器人的動態(tài)物體避障等眾多應(yīng)用。

The Virtual Tailor: 基于人體姿態(tài)、形狀和服裝類型的3D服裝預(yù)測

論文名稱：The Virtual Tailor: Predicting Clothing in 3D as a Function of Human Pose, Shape and Garment Style

作者：Patel Chaitanya /Liao Zhouyingcheng /Pons-Moll Gerard

發(fā)表時間：2020/3/10

論文鏈接：https://paper.yanxishe.com/review/13854?from=leiphonecolumn_paperreview0327

推薦原因

如何快速準(zhǔn)確逼真地模擬、預(yù)測人體衣服的形變是計算機圖形學(xué)中的一個重要問題，在諸如AR/VR、虛擬試衣等眾多領(lǐng)域都有著應(yīng)用。

本文提出了TailorNet神經(jīng)網(wǎng)絡(luò)模型，其可以根據(jù)人體形狀、姿態(tài)和服裝類型來預(yù)測衣服的形變，并同時保留衣服的褶皺等局部細(xì)節(jié)。文章技術(shù)的核心是將衣服的形狀分解為高頻部分和低頻部分，其中低頻部分的信息從人體形狀、姿態(tài)和衣服類別預(yù)測，高頻部分的細(xì)節(jié)從形狀風(fēng)格相關(guān)的姿態(tài)模型來預(yù)測并混合得到。作者將其構(gòu)造的包含55800幀的數(shù)據(jù)集開源，項目主頁https://virtualhumans.mpi-inf.mpg.de/vtailor。