Rotate-and-Render: 基于單視角圖像的自監(jiān)督真實(shí)感人臉旋轉(zhuǎn)

使用基于特征增強(qiáng)的BiLSTM-CRF神經(jīng)網(wǎng)絡(luò)對(duì)出院總結(jié)中的藥品相關(guān)的實(shí)體信息進(jìn)行抽取

采用神經(jīng)注意模型生成文本摘要

基于指針生成網(wǎng)絡(luò)對(duì)Abigail進(jìn)行匯總

基于細(xì)觀遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的抽象文本摘要

論文名稱：Rotate-and-Render: Unsupervised Photorealistic Face Rotation from Single-View Images

作者：Zhou Hang /Liu Jihao /Liu Ziwei /Liu Yu /Wang Xiaogang

發(fā)表時(shí)間：2020/3/18

論文鏈接：https://paper.yanxishe.com/review/14665?from=leiphonecolumn_paperreview0413

推薦原因

本文已經(jīng)被CVPR2020接收。近些年來(lái)人臉旋轉(zhuǎn)取得了快速的發(fā)展，但缺乏高質(zhì)量的配對(duì)訓(xùn)練數(shù)據(jù)仍然是現(xiàn)有方法的一大障礙。本文提出了一種新穎的無(wú)監(jiān)督框架，可以只使用單視角自然圖片來(lái)合成逼真的旋轉(zhuǎn)后的人臉。文章方法的核心是在3D空間旋轉(zhuǎn)人臉，再將其重新渲染至2D圖像平面，以此作為一個(gè)強(qiáng)的自監(jiān)督。作者采用3D人臉重建和高分辨率GAN來(lái)搭建整個(gè)網(wǎng)絡(luò)。由于3D人臉的旋轉(zhuǎn)再渲染可以在不丟失細(xì)節(jié)的前提下渲染任意角度的人臉圖像，文章方法非常適合無(wú)標(biāo)注的自然圖像。作者通過(guò)實(shí)驗(yàn)證明了文章方法在大范圍的旋轉(zhuǎn)角度下都能很好地保留身份信息，合成高質(zhì)量的人臉，超越目前state-of-the-art的表現(xiàn)。

論文名稱：GNTeam at 2018 n2c2: Feature-augmented BiLSTM-CRF for drug-related entity recognition in hospital discharge summaries

作者：Maksim Belousov / Nikola Milosevic / Ghada Alfattni / Haifa Alrdahi / Goran Nenadic

發(fā)表時(shí)間：2019/9/23

論文鏈接：https://paper.yanxishe.com/review/14666?from=leiphonecolumn_paperreview0413

推薦原因

本文的主要內(nèi)容作者參加2018年的一個(gè)信息抽取比賽時(shí)所用的思路、方法和總結(jié)，主要的方法是使用預(yù)訓(xùn)練的語(yǔ)言模型以及額外的語(yǔ)義特征

作者使用了CLAMP， cTAKES兩種語(yǔ)義特征來(lái)對(duì)文本的詞嵌入進(jìn)行增強(qiáng)，并且得到了第四名的成績(jī)

本文對(duì)于數(shù)據(jù)集的分析、模型的選取、優(yōu)化、以及結(jié)果的分析等方面寫的比較細(xì)致，對(duì)于參加NLP相關(guān)的比賽的同學(xué)有一些參考價(jià)值，盡管只是實(shí)體信息的抽取，但是作者也提到了諸如CLAMP，part of speech tags這樣的語(yǔ)言學(xué)特征增強(qiáng)對(duì)于關(guān)系抽取和事件抽取也是有效的

論文名稱：A Neural Attention Model for Sentence Summarization

作者：Alexander M. Rush

發(fā)表時(shí)間：2015/3/4

論文鏈接：https://paper.yanxishe.com/review/14772?from=leiphonecolumn_paperreview0413

推薦原因

本文的主要內(nèi)容以及貢獻(xiàn)：

本文是一篇關(guān)于生成文本摘要的文章，首先，作者對(duì)神經(jīng)機(jī)器翻譯的最新發(fā)展的摘要進(jìn)行匯總，由于目前學(xué)術(shù)界中通過(guò)抽取式生成的文本摘要在準(zhǔn)確性方面存在著一定的誤差，在此背景下，作者提出了一種基于神經(jīng)注意力的模型，在這個(gè)模型中，作者把概率模型與生成算法相結(jié)合，其目的是用于生成精確度更好的抽象摘要。然后，作者又提出了一種基于神經(jīng)注意力的模型，在該模型中，作者將概率模型與生成算法相結(jié)合，用于生成精確度更好的抽象摘要。最后，作者以數(shù)據(jù)驅(qū)動(dòng)的方式，來(lái)進(jìn)一步提高摘要的語(yǔ)法性，并對(duì)此進(jìn)行擴(kuò)展。

論文名稱：Get To The Point: Summarization with Pointer-Generator Networks Abigail See

作者：Abigail See

發(fā)表時(shí)間：2017/3/15

論文鏈接：https://paper.yanxishe.com/review/14773?from=leiphonecolumn_paperreview0413

推薦原因

本文的研究?jī)?nèi)容及創(chuàng)新點(diǎn)：

序列到序列的神經(jīng)網(wǎng)絡(luò)模型為生成抽象文本摘要提供了一種可行的新方法，然而，該模型在實(shí)際應(yīng)用中存在著兩個(gè)缺點(diǎn)：1）通常會(huì)考慮到不重要的細(xì)節(jié)，造成文本摘要不精確；2）存在著反復(fù)重復(fù)自身的過(guò)程，造成信息冗余。為了解決上述問(wèn)題，作者提出了一種新穎的架構(gòu)，用于增強(qiáng)標(biāo)準(zhǔn)序列間的注意力。該模型主要以兩種正交方式建模。第一，使用混合指針生成器網(wǎng)絡(luò)從源文本中復(fù)制單詞。第二，使用覆蓋率跟蹤已總結(jié)的內(nèi)容。最后，作者通過(guò)實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)該模型具有較強(qiáng)的魯棒性，生成的文本摘要性能也更加符合實(shí)際。

論文名稱：Abstractive Sentence Summarization with Attentive Recurrent Neural Networks

作者：Sumit Chopra

發(fā)表時(shí)間：2016/6/16

論文鏈接：https://paper.yanxishe.com/review/14776?from=leiphonecolumn_paperreview0413

推薦原因

本文研究?jī)?nèi)容以及創(chuàng)新點(diǎn)：

本文是一篇關(guān)于文本摘要的文章，作者提出了一種基于條件遞歸神經(jīng)網(wǎng)絡(luò)（RNN）模型用于對(duì)當(dāng)前文章生成文本摘要。該模型采用了一種基于卷積注意力的編碼器，用于確保解碼器在生成的每個(gè)步驟都輸入適當(dāng)?shù)膯卧~，本文提出的模型他的優(yōu)點(diǎn)表現(xiàn)為：1、文本摘要任務(wù)性能僅依賴模型的學(xué)習(xí)功能，2、易于以端到端的方式在大數(shù)據(jù)集上進(jìn)行訓(xùn)練。作者通過(guò)實(shí)驗(yàn)表明，該模型在DUC-2004共享任務(wù)上，無(wú)論是在Gigaword數(shù)據(jù)還是在Gigaword數(shù)據(jù)上，性能均明顯優(yōu)于其他方法。