今日 Paper | 2019-nCoV傳播預(yù)測(cè)；行人重識(shí)別；協(xié)同時(shí)態(tài)建模；舞蹈生成等

本文作者： AI研習(xí)社

2020-02-19 15:34

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

今日 Paper | 2019-nCoV傳播預(yù)測(cè)；行人重識(shí)別；協(xié)同時(shí)態(tài)建模；舞蹈生成等

用綜合方法預(yù)測(cè)2019-nCoV傳播的結(jié)束
通過(guò)被動(dòng)WiFi傳感和數(shù)據(jù)挖掘了解社會(huì)事件中的人群行為
用于RGB-紅外行人重識(shí)別的交叉模態(tài)配對(duì)圖像生成
CTM：面向動(dòng)作識(shí)別的協(xié)同時(shí)態(tài)建模
Music2Dance：使用WaveNet的音樂(lè)驅(qū)動(dòng)的舞蹈生成

用綜合方法預(yù)測(cè)2019-nCoV傳播的結(jié)束

論文名稱(chēng)：Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods

作者：Zeng Tianyu /Zhang Yunong /Li Zhenyu /Liu Xiao /Qiu Binbin

發(fā)表時(shí)間：2020/2/12

論文鏈接：https://paper.yanxishe.com/review/11431?from=leiphonecolumn_paperreview0219

推薦原因

這篇論文試圖預(yù)測(cè)新型冠狀病毒的傳播，提出了一種多模態(tài)常微分方程神經(jīng)網(wǎng)絡(luò)（Multi-Model Ordinary Differential Equation set Neural Network，MMODEs-NN）以及無(wú)模型方法，來(lái)預(yù)測(cè)疫情在中國(guó)大陸尤其是湖北省的擴(kuò)散情況。與現(xiàn)有流行病學(xué)模型相比，這篇論文提出的方法可以使用常微分方程激活法來(lái)模擬傳播，而基于S形函數(shù)、高斯函數(shù)和Poisson分布的無(wú)模型方法是線性的，因而非常高效。根據(jù)數(shù)值實(shí)驗(yàn)與實(shí)情，為了控制疫情擴(kuò)散的特別政策在一些省取得效果，目前預(yù)測(cè)這股疫情可能在2月18日之前減速并在2020年4月之前結(jié)束。這篇論文所提的數(shù)學(xué)和人工智能方法可以對(duì)2019-nCoV的結(jié)束給出一致且合理的預(yù)測(cè)。

通過(guò)被動(dòng)WiFi傳感和數(shù)據(jù)挖掘了解社會(huì)事件中的人群行為

論文名稱(chēng)：Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining

作者：Zhou Yuren /Lau Billy Pik Lik /Koh Zann /Yuen Chau /Ng Benny Kai Kiat

發(fā)表時(shí)間：2020/2/5

論文鏈接：https://paper.yanxishe.com/review/11308?from=leiphonecolumn_paperreview0219

推薦原因

這篇論文通過(guò)WiFi傳感數(shù)據(jù)進(jìn)行人群行為分析。

通過(guò)收集從移動(dòng)設(shè)備發(fā)送的WiFi請(qǐng)求，無(wú)源WiFi感測(cè)提供了一種比人群計(jì)數(shù)器和攝像機(jī)更好的監(jiān)控人群的方法。在現(xiàn)有研究中，對(duì)收集數(shù)據(jù)的全面分析和挖掘沒(méi)有給予足夠重視。這篇論文提出一個(gè)全面的數(shù)據(jù)分析框架，以在統(tǒng)計(jì)、可視化和無(wú)監(jiān)督機(jī)器學(xué)習(xí)幫助下，全面分析收集的探測(cè)請(qǐng)求，以提取與大型社交事件中的人群行為相關(guān)的三種類(lèi)型模式。這個(gè)分析框架首先從探測(cè)請(qǐng)求中提取移動(dòng)設(shè)備的軌跡并進(jìn)行分析，以揭示人群運(yùn)動(dòng)的空間模式。然后采用分層聚集聚類(lèi)法來(lái)查找不同位置之間的互連。接下來(lái)應(yīng)用K均值和K聚類(lèi)算法分別按天數(shù)和位置提取人群的時(shí)間訪問(wèn)模式。最后通過(guò)與時(shí)間結(jié)合，軌跡被轉(zhuǎn)換為時(shí)空模式，揭示了軌跡持續(xù)時(shí)間如何隨長(zhǎng)度變化，以及人群運(yùn)動(dòng)的總體趨勢(shì)如何隨時(shí)間變化。這個(gè)數(shù)據(jù)分析框架通過(guò)在大型社交事件中收集的真實(shí)數(shù)據(jù)進(jìn)行了驗(yàn)證。

用于RGB-紅外行人重識(shí)別的交叉模態(tài)配對(duì)圖像生成

論文名稱(chēng)：Cross-Modality Paired-Images Generation for RGB-Infrared Person Re-Identification

作者：Wang Guan-An /Yang Tianzhu Zhang. Yang /Cheng Jian /Chang Jianlong /Liang Xu /Hou Zengguang

發(fā)表時(shí)間：2020/2/10

論文鏈接：https://paper.yanxishe.com/review/11306?from=leiphonecolumn_paperreview0219

推薦原因

這篇論文要解決的是行人重識(shí)別問(wèn)題。

RGB和IR圖像之間缺少對(duì)應(yīng)標(biāo)簽，會(huì)導(dǎo)致某些實(shí)例的對(duì)齊錯(cuò)誤，從而限制RGB-IR Re-ID的性能。與現(xiàn)有方法不同，這篇論文提出生成跨模態(tài)配對(duì)圖像，并執(zhí)行全局集合級(jí)和細(xì)粒度實(shí)例級(jí)對(duì)齊。這種方法可以通過(guò)解開(kāi)特定于模態(tài)和模態(tài)不變的特征來(lái)執(zhí)行集合級(jí)對(duì)齊。與傳統(tǒng)方法相比，所提方法可以顯式刪除特定于模態(tài)的特征，并且可以更好地減少模態(tài)變化。給定一個(gè)人的跨模態(tài)不成對(duì)圖像，所提方法可以從交換的圖像生成跨模態(tài)成對(duì)圖像，通過(guò)最小化每對(duì)圖像的距離直接執(zhí)行實(shí)例級(jí)對(duì)齊。在兩個(gè)標(biāo)準(zhǔn)基準(zhǔn)上的大量實(shí)驗(yàn)結(jié)果表明，所提模型有利于抗衡當(dāng)前最佳方法，特別是在SYSU-MM01數(shù)據(jù)集上，所提模型在Rank-1和mAP方面可以實(shí)現(xiàn)9.2％和7.7％的提升。

CTM：面向動(dòng)作識(shí)別的協(xié)同時(shí)態(tài)建模

論文名稱(chēng)：CTM: Collaborative Temporal Modeling for Action Recognition

作者：Liu Qian /Wang Tao /Liu Jie /Guan Yang /Bu Qi /Yang Longfei

發(fā)表時(shí)間：2020/2/8

論文鏈接：https://paper.yanxishe.com/review/11182?from=leiphonecolumn_paperreview0219

推薦原因

這篇論文要解決的是動(dòng)作識(shí)別問(wèn)題。

與圖像識(shí)別任務(wù)不同，動(dòng)作識(shí)別任務(wù)對(duì)于時(shí)間維度的要求更高。為了學(xué)習(xí)到視頻的強(qiáng)大特征，這篇論文提出了一個(gè)名為CTM的協(xié)同時(shí)間模型來(lái)學(xué)習(xí)時(shí)間信息。CTM作為一個(gè)單獨(dú)的時(shí)間建模模塊，包括了兩條協(xié)作路徑：一個(gè)空間感知的時(shí)間建模路徑和一個(gè)無(wú)空間感知的時(shí)間建模路徑。CTM模型可以無(wú)縫地插入許多流行的神經(jīng)網(wǎng)絡(luò)模型中以生成CTM網(wǎng)絡(luò)，可以將學(xué)習(xí)時(shí)間信息的能力帶給僅捕獲了空間信息的2D CNN骨干網(wǎng)絡(luò)中。在幾個(gè)流行的動(dòng)作識(shí)別數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明，CTM塊在2D CNN基線模型上帶來(lái)了性能提升。

Music2Dance：使用WaveNet的音樂(lè)驅(qū)動(dòng)的舞蹈生成

論文名稱(chēng)：Music2Dance: Music-driven Dance Generation using WaveNet

作者：Zhuang Wenlin /Wang Congyi /Xia Siyu /Chai Jinxiang /Wang Yangang

發(fā)表時(shí)間：2020/2/2

論文鏈接：https://paper.yanxishe.com/review/11181?from=leiphonecolumn_paperreview0219

推薦原因

這篇論文提出了一個(gè)名為Music2Dance的模型，用于解決全自動(dòng)音樂(lè)編排的問(wèn)題。

Music2Dance的主要思想是將最初為語(yǔ)音生成而設(shè)計(jì)的WaveNet轉(zhuǎn)變?yōu)槿梭w運(yùn)動(dòng)合成，首先通過(guò)考慮節(jié)奏和旋律的特征來(lái)提取音樂(lè)特征，接著將舞蹈的類(lèi)型設(shè)計(jì)為網(wǎng)絡(luò)的全局條件。為了解決數(shù)據(jù)缺乏的挑戰(zhàn)，這篇論文收集捕捉了專(zhuān)業(yè)舞者同步的音樂(lè)舞蹈對(duì)，從而建立了高質(zhì)量的音樂(lè)舞蹈對(duì)數(shù)據(jù)集。這個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)表明了Music2Dance的有效性。

論文作者團(tuán)隊(duì)招募

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，希望以論文作為聚合 AI 學(xué)生青年的「興趣點(diǎn)」，通過(guò)論文整理推薦、點(diǎn)評(píng)解讀、代碼復(fù)現(xiàn)。致力成為國(guó)內(nèi)外前沿研究成果學(xué)習(xí)討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認(rèn)可。

我們希望熱愛(ài)學(xué)術(shù)的你，可以加入我們的論文作者團(tuán)隊(duì)。

加入論文作者團(tuán)隊(duì)你可以獲得

1.署著你名字的文章，將你打造成最耀眼的學(xué)術(shù)明星

2.豐厚的稿酬

3.AI 名企內(nèi)推、大會(huì)門(mén)票福利、獨(dú)家周邊紀(jì)念品等等等。

加入論文作者團(tuán)隊(duì)你需要：

1.將你喜歡的論文推薦給廣大的研習(xí)社社友

2.撰寫(xiě)論文解讀

如果你已經(jīng)準(zhǔn)備好加入 AI 研習(xí)社的論文兼職作者團(tuán)隊(duì)，可以添加運(yùn)營(yíng)小姐姐的微信，備注“論文兼職作者”

今日 Paper | 2019-nCoV傳播預(yù)測(cè)；行人重識(shí)別；協(xié)同時(shí)態(tài)建模；舞蹈生成等