Paper 研习社本周论文推荐精选 | 第一期

paperyanxishe 计算机视觉

2019/09/16 11:18

「本周论文精选」是 Paper 研习社推出的全新栏目，展现社友们在研习论文的过程中，推荐自己所阅读到的优秀论文，帮助大家一起学习、讨论每个领域最新、最精彩的学术论文。

①

#卷积神经网络#

【中科院】重新审视卷积神经网络的通道数

推荐理由：此前已有EfficientNet[1]等工作使用神经架构搜索(NAS)方法对卷积神经网络(CNN)的整体规模（深度，宽度，分辨率）进行探究。这次，作者专门针对CNN中卷积层的通道数开刀，用基于进化算法的NAS算法探究控制网络参数量不变的情况下如何更好地分配网络各层的通道数。作者的实验结果表明，使用本文的NAS算法搜索改进后的分类网络在CIFAR-10和CIFAR-100数据集上可分别达到约0.5%和2.33%的准确率提升。

论文链接：https://arxiv.org/abs/1909.01861

代码链接：https://github.com/Search-Width/Search-the-Number-of-Channels

推荐人：林肯二百一十三（西安交通大学软件工程）

②

#计算机视觉#

从照片到现实，使用单张照片生成逼真人脸

本文是上海科技大学的一个工作，可以通过单张照片就生成一个较为逼真的三维人脸图像，这和最近火热的「ZAO」有相似之处，这也是一个比较好玩的一个项目，有兴趣的可以看下他们的方法，并且下载他们开放的源码试一试。

论文链接：https://arxiv.org/abs/1904.08479

代码链接：https://github.com/apchenstu/Facial_Details_Synthesis

推荐人：秋夕（南华大学物联网工程，推荐于ICCV顶会交流小组，ICCV 2019顶会赞助计划参与者）

③

#目标检测#

精确目标检测的不确定边界框回归

推荐理由：大规模的目标检测数据集(例如MS-COCO)在进行Ground Truth框标注时仍然存在歧义。这篇论文提出了新的边界框回归损失针对目标框的移动以及位置方差进行学习，这种方法在几乎不增加计算量的基础上提高不同结构定位的准确性。另一个关键点事，由于学习了bounding box的分布，可以将其应用在NMS阶段合并相邻目标框，进一步提升定位的准确性。代码可在github.com/yihui-he/KL-Loss找到。

论文链接：https://arxiv.org/abs/1809.08545

代码链接：https://github.com/yihui-he/KL-Loss

推荐人：BBuf（西南科技大学电子信息工程）

④

#小样本学习#

自定义和组合神经网络进行小样本学习

这篇论文是天津大学和新加坡国立合作的一篇用meta-learning 做 few-shot learning 的文章, 算是meta-learning的文章中写的比较接地气的,比较好看懂的文章, 看了这篇文章基本就可以知道 few-shot learning 以及meta-learning 是做什么的. 主要还是学习一种更好更快的adaption, transfer的算法。

论文链接：https://arxiv.org/abs/1904.08479

推荐人：志浩（中国石油大学(华东) 机械工程，推荐于ICCV顶会交流小组，ICCV 2019顶会赞助计划参与者）

⑤

#深度学习##网络优化# #网络训练#

从动态系统和最优控制角度统一深度学习基础理论

统一深度学习基础理论的一个新尝试（笑）。这篇论文的作者们把深度神经网络看作一个时间离散的非线性动态系统，运用动态系统和最优控制学科的视角，通过均值场理论分析信息是如何在不同的层之间传播的。此外，他们还尝试用随机输入动态响应来解释网络的收敛和泛化属性。

作者们声称他们的框架和监督学习高度相符，也可以轻松地拓展到贝叶斯学习、对抗性训练、某些形式的元学习等等。他们相信动态系统和最优控制学科的理论和思路对深度学习理论的发展能够起到很大帮助。

论文链接：https://arxiv.org/abs/1908.10920

推荐人：杨晓凡（论文研习社首席论文推荐官）

✎✎✎

除了上述的的五篇精选论文推荐，我们还为你精心准备了可以一键下载的论文集：

ICCV 1998-2017 年最佳论文合集NeurIPS 2019 GNN 论文合集