異常呼吸模式分類器可能有助于以準(zhǔn)確和不顯眼的方式對COVID-19感染者進(jìn)行大規(guī)模篩查基于單句和雙句打分的生成式摘要

MFFW：一種新的多聚焦圖像融合數(shù)據(jù)集

基于互連卷積神經(jīng)網(wǎng)絡(luò)的端到端臉部分析

AAAI2020|基于多任務(wù)驅(qū)動特征模型的熱紅外目標(biāo)跟蹤

  異常呼吸模式分類器可能有助于以準(zhǔn)確和不顯眼的方式對COVID-19感染者進(jìn)行大規(guī)模篩查

論文名稱：Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner

作者：Wang Yunlu /Hu Menghan /Li Qingli /Zhang Xiao-Ping /Zhai Guangtao /Yao Nan

發(fā)表時(shí)間：2020/2/12

論文鏈接：https://paper.yanxishe.com/review/11537?from=leiphonecolumn_paperreview0220

這篇論文提出根據(jù)呼吸特征對新型冠狀病毒的患者進(jìn)行篩查。最新臨床研究，COVID-19的呼吸模式與流感和普通感冒的呼吸模式不同。感染COVID-19的人有呼吸暫?，F(xiàn)象，并且呼吸更快。這篇論文提出使用深度相機(jī)和深度學(xué)習(xí)來完成這項(xiàng)篩查任務(wù)，然而現(xiàn)實(shí)世界中的數(shù)據(jù)量不足以進(jìn)行深度模型訓(xùn)練。這篇論文首先提出了一種新的呼吸模擬模型，來彌補(bǔ)訓(xùn)練數(shù)據(jù)不足的問題。隨后這篇論文首次利用雙向注意力機(jī)制的GRU模型來對6種臨床上重要的呼吸模式進(jìn)行分類。這篇論文提出的方法可以拓展到大型的應(yīng)用場景中，對現(xiàn)有的篩查方法形成補(bǔ)充。

論文名稱：Scoring Sentence Singletons and Pairs for Abstractive Summarization

作者：Logan Lebanoff /Kaiqiang Song?

發(fā)表時(shí)間：2019/6/7

論文鏈接：https://paper.yanxishe.com/review/11534?from=leiphonecolumn_paperreview0220

1.本文的核心：本文是對于采用生成式自動文本摘要方法的探索，重點(diǎn)研究了關(guān)于生成式中目前探究的將文本內(nèi)容選擇和摘要生成分開處理的問題。其中本論文提出的模型，第一部分采用BERT給單句和句子對評分，第二部分作者根據(jù)MMR準(zhǔn)則進(jìn)行評分，選擇出評分高的句子和句子對，從而生成文本摘要。

2.本文的創(chuàng)新點(diǎn)：基于生成式中目前探究的將文本內(nèi)容選擇和摘要生成分開處理的問題，本文創(chuàng)新性的提出了一種用來將單句和成對句子映射到一個(gè)統(tǒng)一的空間進(jìn)行排序的思想，采用當(dāng)下最火爆的BERT模型來學(xué)習(xí)實(shí)例的特征，將學(xué)到的表征用一個(gè)分類任務(wù)來fine-tune生成對應(yīng)的概率進(jìn)行排序，然后根據(jù)這個(gè)排序，有針對性的選擇出摘要中有重要價(jià)值的單句和成對句子，最后通過對單個(gè)句子壓縮，其中在句子對融合時(shí)，作者選擇pointer-generator(PG)networks來將單句壓縮，最終得到我們需要的文本摘要。

3.本文的研究意義：本文針對當(dāng)下生成式文本摘要中單句和句子對之間尚未形成有效的融合問題，有針對性的提出了一種在文本摘要中關(guān)于句子對融合的方法。其中，本文提出的將句子融合引入到了文本摘要中，這是這方面最有意義的嘗試。

論文名稱：MFFW: A new dataset for multi-focus image fusion

作者：Xu Shuang /Wei Xiaoli /Zhang Chunxia /Liu Junmin /Zhang Jiangshe

發(fā)表時(shí)間：2020/2/12

論文鏈接：https://paper.yanxishe.com/review/11536?from=leiphonecolumn_paperreview0220

這篇論文為多焦點(diǎn)圖像融合問題提供了一個(gè)新的數(shù)據(jù)集。

以往的多焦點(diǎn)圖像融合方法都是在模擬圖像集或Lytro數(shù)據(jù)集上評估的，然而散焦散布效應(yīng)在這些數(shù)據(jù)集中并不明顯。這篇論文構(gòu)建了一個(gè)名為MFFW的新數(shù)據(jù)集。該數(shù)據(jù)集包含在互聯(lián)網(wǎng)上收集的19對多焦點(diǎn)圖像。這篇論文收集所有成對源圖像，并提供部分成對的聚焦圖和參考圖像。與Lytro數(shù)據(jù)集相比，MFFW中的圖像明顯受到散焦散布效果影響。此外，MFFW場景更加復(fù)雜。實(shí)驗(yàn)表明，MFFW數(shù)據(jù)集上的大多數(shù)當(dāng)前最佳方法都無法可靠地生成令人滿意的融合圖像。作為一個(gè)新的基準(zhǔn)數(shù)據(jù)集，MFFW可以用來測試多焦點(diǎn)圖像融合算法是否能處理散焦散布效應(yīng)。

論文名稱：End-to-End Face Parsing via Interlinked Convolutional Neural Networks

作者：Yin Zi /Yiu Valentin /Hu Xiaolin /Tang Liang

發(fā)表時(shí)間：2020/2/12

論文鏈接：https://paper.yanxishe.com/review/11535?from=leiphonecolumn_paperreview0220

這篇論文要解決的是臉部分析的問題。

臉部分析需要對臉部（例如眼，鼻，嘴等）進(jìn)行精確的像素分割，為進(jìn)一步實(shí)現(xiàn)臉部分析、修改、其他應(yīng)用程序提供基礎(chǔ)。這篇論文提出了一個(gè)名為STN-iCNN的簡單的端到端人臉解析框架，該框架通過在兩個(gè)獨(dú)立階段間添加一個(gè)空間Transformer網(wǎng)絡(luò)（Spatial Transformer Network，STN）來擴(kuò)展互連卷積神經(jīng)網(wǎng)絡(luò)（interlinked Convolutional Neural Network，iCNN）。STN-iCNN使用STN來提供到原始兩級iCNN管道的可訓(xùn)練連接，從而使端到端聯(lián)合訓(xùn)練成為可能。STN還提供了比原始裁切更精確的裁切圖像部分。

  AAAI2020|基于多任務(wù)驅(qū)動特征模型的熱紅外目標(biāo)跟蹤                     

論文名稱：Multi-Task Driven Feature Models for Thermal Infrared Tracking

作者：Qiao Liu /Xin Li /Zhenyu He /Nana Fan /Di Yuan /Wei Liu /Yonsheng Liang

發(fā)表時(shí)間：2019/11/26

論文鏈接：https://paper.yanxishe.com/review/5848?from=leiphonecolumn_paperreview0220

推薦原因

解決的核心問題：當(dāng)前基于深度特征的熱紅外跟蹤方法普遍使用的是可見光跟蹤器中用到的特征模型。這些特征模型通常學(xué)習(xí)自可見光圖像，既沒有學(xué)習(xí)熱紅紅外圖像特有的判別性模式，又沒有考慮熱紅外圖像目標(biāo)的細(xì)粒度特征。因此，已存的這些特征模型不能有效的表示熱紅外目標(biāo)，尤其是難以區(qū)分同類的熱紅外目標(biāo)。

創(chuàng)新點(diǎn)：為了獲得更有效的熱紅外目標(biāo)表示，我們提出了一個(gè)熱紅外專用的特征模型。該模型由一個(gè)熱紅外專用的鑒別性特征和一個(gè)細(xì)粒度關(guān)聯(lián)的特征模型組成。為了集成這兩種互補(bǔ)的特征，我們設(shè)計(jì)了一個(gè)基于多任務(wù)匹配的框架同時(shí)優(yōu)化他們。此外，我們構(gòu)建了一個(gè)大規(guī)模的熱紅外圖像序列數(shù)據(jù)集用于訓(xùn)練提出的模型。該數(shù)據(jù)集是當(dāng)前熱紅外視覺領(lǐng)域規(guī)模最大的，目標(biāo)類別最為豐富的數(shù)據(jù)集。

研究意義：提出的熱紅外特征模型為熱紅外目標(biāo)跟蹤領(lǐng)域提供了新的研究思路。提出的熱紅外訓(xùn)練數(shù)據(jù)集為基于深度學(xué)習(xí)的熱紅外跟蹤方法提供了數(shù)據(jù)基石。

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)」，通過論文整理推薦、點(diǎn)評解讀、代碼復(fù)現(xiàn)。致力成為國內(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、大會門票福利、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)營小姐姐的微信，備注“論文兼職作者”

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)