今日 Paper | CVPR 2020 論文推薦：元轉(zhuǎn)移學習；ABCNet；動態(tài)圖像檢索；點云分類框架等

本文作者： AI研習社

2020-03-24 16:42

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

今日 Paper | CVPR 2020 論文推薦：元轉(zhuǎn)移學習；ABCNet；動態(tài)圖像檢索；點云分類框架等

12-in-1: 多任務(wù)視覺和語言表示學習

論文名稱：12-in-1: Multi-Task Vision and Language Representation Learning

作者：Jiasen Lu

發(fā)表時間：2019/12/11

論文鏈接：https://paper.yanxishe.com/review/13547?from=leiphonecolumn_paperreview0324

推薦原因

本文研究意義：

當下AI模型的實驗數(shù)據(jù)集都是小而多樣的，這對于后續(xù)模型的訓練都會造成很大的影響，在此背景下，本文介紹了一項新穎的數(shù)據(jù)調(diào)度方法——多任務(wù)模型，以幫助避免過度訓練或訓練不足。為了驗證該方法是否可行，作者分別在12個視覺和語言數(shù)據(jù)集上進行了實驗，結(jié)果表明，使用這種方法后，我們的單一多任務(wù)模型優(yōu)于12個單一任務(wù)模型，這一新方法也為后續(xù)的研究帶來了新潮流。

CVPR 2020 | 用于零樣本超分辨率的元轉(zhuǎn)移學習

論文名稱：Meta-Transfer Learning for Zero-Shot Super-Resolution

作者：Soh Jae Woong /Cho Sunwoo /Cho Nam Ik

發(fā)表時間：2020/2/27

論文鏈接：https://paper.yanxishe.com/review/12829?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，考慮的是零樣本超分辨率的問題。

以往的零樣本超分辨率方法需要數(shù)千次梯度更新，推理時間長。這篇論文提出用于零樣本超分辨率的元轉(zhuǎn)移學習。基于找到適合內(nèi)部學習的通用初始參數(shù)，所提方法可以利用外部和內(nèi)部信息，一次梯度更新就可以產(chǎn)生相當可觀的結(jié)果，因此能快速適應(yīng)給定的圖像條件，并且應(yīng)用于大范圍圖像。

CVPR 2020 | ABCNet：基于自適應(yīng)Bezier-Curve網(wǎng)絡(luò)的實時場景文本定位

論文名稱：ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network

作者：Liu Yuliang /Chen Hao /Shen Chunhua /He Tong /Jin Lianwen /Wang Liangwei

發(fā)表時間：2020/2/24

論文鏈接：https://paper.yanxishe.com/review/12441?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，考慮的是場景文本檢測和識別的問題。

現(xiàn)有方法基于字符或基于分段，要么在字符標注上成本很高，要么需要維護復(fù)雜的工作流，都不適用于實時應(yīng)用程序。這篇論文提出了自適應(yīng)貝塞爾曲線網(wǎng)絡(luò)（Adaptive Bezier-Curve Network ，ABCNet），包括三個方面的創(chuàng)新：1）首次通過參數(shù)化的貝塞爾曲線自適應(yīng)擬合任意形狀文本；2）設(shè)計新的BezierAlign層，用于提取具有任意形狀的文本樣本的準確卷積特征，與以前方法相比顯著提高精度；3）與標準圖形框檢測相比，所提貝塞爾曲線檢測引入的計算開銷可忽略不計，從而使該方法在效率和準確性上均具優(yōu)勢。對任意形狀的基準數(shù)據(jù)集Total-Text和CTW1500進行的實驗表明，ABCNet達到當前最佳的準確性，同時顯著提高了速度，特別是在Total-Text上，ABCNet的實時版本比當前最佳方法快10倍以上，且在識別精度上極具競爭力。

CVPR 2020 | Sketch Less for More：基于細粒度草圖的動態(tài)圖像檢索

論文名稱：Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval

作者：Bhunia Ayan Kumar /Yang Yongxin /Hospedales Timothy M. /Xiang Tao /Song Yi-Zhe

發(fā)表時間：2020/2/24

論文鏈接：https://paper.yanxishe.com/review/12442?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，考慮的是基于草圖的細粒度圖像檢索，即在給定用戶查詢草圖的情況下檢索特定照片樣本的問題。

繪制草圖花費時間，且大多數(shù)人都難以繪制完整而忠實的草圖。為此這篇論文重新設(shè)計了檢索框架以應(yīng)對這個挑戰(zhàn)，目標是以最少筆觸數(shù)檢索到目標照片。這篇論文還提出一種基于強化學習的跨模態(tài)檢索框架，一旦用戶開始繪制，便會立即開始檢索。此外，這篇論文還提出一種新的獎勵方案，該方案規(guī)避了與無關(guān)的筆畫筆觸相關(guān)的問題，從而在檢索過程中為模型提供更一致的等級列表。在兩個公開可用的細粒度草圖檢索數(shù)據(jù)集上的實驗表明，這篇論文所提方法比當前最佳方法具有更高的早期檢索效率。

CVPR 2020 | PointAugment：一種自動增強的點云分類框架

論文名稱：PointAugment: an Auto-Augmentation Framework for Point Cloud Classification

作者：Li Ruihui /Li Xianzhi /Heng Pheng-Ann /Fu Chi-Wing

發(fā)表時間：2020/2/25

論文鏈接：https://paper.yanxishe.com/review/12686?from=leiphonecolumn_paperreview0324

推薦原因

這篇論文被CVPR 2020接收，要解決的是點云分類的問題。

這篇論文提出了一個名為PointAugment的點云分類框架，當訓練分類網(wǎng)絡(luò)時，該框架會自動優(yōu)化和擴充點云樣本以豐富數(shù)據(jù)多樣性。與現(xiàn)有的2D圖像自動增強方法不同，PointAugment具有樣本感知功能，并采用對抗學習策略來共同優(yōu)化增強器網(wǎng)絡(luò)和分類網(wǎng)絡(luò)，學習生成最適合分類器的增強樣本。PointAugment根據(jù)形狀分類器和點位移來構(gòu)造可學習的點增強函數(shù)，并根據(jù)分類器的學習進度精心設(shè)計損失函數(shù)以采用增強樣本。PointAugment在改善形狀分類和檢索中的有效性和魯棒性得到了實驗的驗證。