論文名稱：Domain Independent Unsupervised Learning to grasp the Novel Objects

作者：Pharswan Siddhartha Vibhu /Vohra Mohit /Kumar Ashish /Behera Laxmidhar

發(fā)表時(shí)間：2020/1/9

論文鏈接：https://paper.yanxishe.com/review/9222

這篇論文考慮的是機(jī)械臂抓取新物體的問題。

基于視覺抓握任務(wù)的一個(gè)主要挑戰(zhàn)是當(dāng)機(jī)械臂遇到新物體時(shí)，該如何選擇有效的抓握區(qū)域。最新的研究都是試圖用高計(jì)算量和時(shí)間為代價(jià)的卷積神經(jīng)網(wǎng)絡(luò)。這篇論文提出了一種新的無監(jiān)督學(xué)習(xí)算法來選擇有效抓握區(qū)域。在經(jīng)過坐標(biāo)對齊方法處理后，新方法應(yīng)用K均值聚類方法到圖像平面以識別該區(qū)域。這篇論文定義了一個(gè)名為“抓握決策索引”（Grasp Decide Index，GDI）的新概念來選擇在圖像平面中采取最佳抓握姿勢。在雜亂或隔離的環(huán)境中對Amazon Robotics Challenge 2017和Amazon Picking Challenge 2016的標(biāo)準(zhǔn)對象進(jìn)行實(shí)驗(yàn)的結(jié)果表明，這篇論文提出的新算法在不同領(lǐng)域中的各種新對象上具有魯棒性和自適應(yīng)性。

論文名稱：Short-Term Temporal Convolutional Networks for Dynamic Hand Gesture Recognition

作者：Zhang Yi /Wang Chong /Zheng Ye /Zhao Jieyu /Li Yuqi /Xie Xijiong

發(fā)表時(shí)間：2019/12/31

論文鏈接：https://paper.yanxishe.com/review/9221

這篇論文要解決的是手勢識別問題。

這篇論文的貢獻(xiàn)是提出了一種基于3D密度卷積網(wǎng)絡(luò)（3D-DenseNets）與改進(jìn)時(shí)序卷積網(wǎng)絡(luò)（TCNs）的多模態(tài)手勢識別方法，其核心思路是找到一種壓縮的、有效的空間與時(shí)間特征表示信息。在空間分析中，這篇論文采用3D-DenseNets來學(xué)習(xí)短程空間-時(shí)間特征；隨后在時(shí)間分析中，這篇論文使用TCNs來抽取時(shí)間特征并運(yùn)用改進(jìn)壓縮與激勵(lì)網(wǎng)絡(luò)（SENets）來增強(qiáng)來自每個(gè)TCNs層的時(shí)間特征的表示能力。這篇論文提出的方法在VIVA和NVIDIA動態(tài)手勢數(shù)據(jù)集上分別獲得了91.54%與86.37%的識別準(zhǔn)確率。

論文名稱：A BERT based Sentiment Analysis and Key Entity Detection Approach for Online Financial Texts

作者：Zhao Lingyun /Li Lin /Zheng Xinhao

發(fā)表時(shí)間：2020/1/14

論文鏈接：https://paper.yanxishe.com/review/9218

這篇論文考慮的是金融文本的情感分析問題。

隨著互聯(lián)網(wǎng)的出現(xiàn)和迅猛發(fā)展，互聯(lián)網(wǎng)對金融領(lǐng)域的影響越來越大。怎樣快速而準(zhǔn)確地從海量金融文本中挖掘有用的信息，已成為投資者與決策者的關(guān)注焦點(diǎn)。這篇論文提出一個(gè)基于BERT的情感分析和關(guān)鍵實(shí)體檢測方法，用于社交媒體的金融文本挖掘和公共觀點(diǎn)分析。通過使用預(yù)訓(xùn)練模型，這篇論文首先進(jìn)行情感分析，然后考慮關(guān)鍵實(shí)體檢測，將其考慮為一個(gè)句子匹配或機(jī)器閱讀理解任務(wù)，且涉及不同文本粒度。另外，這篇論文也使用聚類算法來提升所提方法的表現(xiàn)力。在兩個(gè)金融情感分析和關(guān)鍵實(shí)體檢測數(shù)據(jù)集上測試了SVM，LR，NBM和BERT，這篇論文提出的方法取得了最佳結(jié)果。

論文名稱：Robust Speaker Recognition Using Speech Enhancement And Attention Model

作者：Shi Yanpei /Huang Qiang /Hain Thomas

發(fā)表時(shí)間：2020/1/14

論文鏈接：https://paper.yanxishe.com/review/9219

推薦原因

這篇論文通過級聯(lián)語音增強(qiáng)和說話人處理，提出了一個(gè)新的說話人識別模型，在語音信號被噪聲破壞時(shí)提高說話者識別模型的性能表現(xiàn)。與以前的方法將語音增強(qiáng)和說話者識別這兩者分開處理不同，這篇論文提出的方法通過使用深度神經(jīng)網(wǎng)絡(luò)的聯(lián)合優(yōu)化將這兩個(gè)模塊集成到一個(gè)框架中。為了提高模型的噪聲魯棒性，這篇論文采用多階段注意力機(jī)制來突出從上下文信息中學(xué)到的與說話者相關(guān)的特征。在VoxCeleb1數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)中，作者們采用了三種信噪比級別的普通噪聲、音樂和胡言亂語，以評估其提出方法的噪聲魯棒性。實(shí)驗(yàn)結(jié)果表明，這篇論文提出的語音增強(qiáng)和多階段注意力模塊能明顯提升模型的噪聲魯棒性。

論文名稱：MetaInit: Initializing learning by learning to initialize

作者：Yann N. Dauphin /Samuel S. Schoenholz

發(fā)表時(shí)間：2019/12/9

論文鏈接：https://paper.yanxishe.com/review/9220

推薦原因：直到今天，從零開始訓(xùn)練深度模型的時(shí)候我們都希望能有一組好的初始值，能讓優(yōu)化器更好地工作、讓模型更快收斂、以及訓(xùn)練出更高的準(zhǔn)確率。不過一直以來的慣例做法都是用隨機(jī)數(shù)作為初始值，效果好不好可以說完全看人品了，但畢竟也沒有什么好的替代方法。

這篇論文里作者們提出了一種不隨機(jī)的、生成對后續(xù)優(yōu)化有幫助的網(wǎng)絡(luò)初始值的方法。這個(gè)方法來源于這個(gè)假說：好的初始值能讓梯度下降從一個(gè)局部線性、二階影響小的位置開始，這樣就能得到更好的梯度下降過程。作者們把這個(gè)假說做了公式化的描述，從而可以在任意網(wǎng)絡(luò)架構(gòu)或者數(shù)據(jù)集上計(jì)算 —— 雖然這個(gè)過程也是用梯度下降計(jì)算的，但能快速找到好的權(quán)重初始值。

作者們在正常連接的神經(jīng)網(wǎng)絡(luò)和帶有殘差連接的神經(jīng)網(wǎng)絡(luò)上都進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，通過他們的方法找到好的初始值從而訓(xùn)練出的網(wǎng)絡(luò)不僅可以在沒有批標(biāo)準(zhǔn)化、沒有殘差連接的情況下獲得和最好的模型相當(dāng)?shù)谋憩F(xiàn)，而且也可以自動地把網(wǎng)絡(luò)從不好的初始值里拯救出來。這個(gè)方法有一定的拓展性，可以用在ResNet-50的ImageNet訓(xùn)練上。

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)