今日 Paper | 雙向ConvLSTMU-Net卷積；SAU-Net；立體匹配；深度語義分割等

本文作者： AI研習(xí)社

2020-03-17 14:29

導(dǎo)語：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。

具有稠密連接的雙向ConvLSTMU-Net卷積

論文名稱：Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions

作者：Reza Azad; Maryam Asadi-Aghbolaghi; Mahmood Fathy; Sergio Escalera

發(fā)表時(shí)間：2019/9/15

論文鏈接：https://paper.yanxishe.com/review/13536?from=leiphonecolumn_paperreview0317

推薦原因

在常規(guī)的 U-Net 中，他們直接將 encoded feature 直接拷貝并且結(jié)合到 decoding 的分支中。本文提出使用 BConvLSTM 的方法來處理 encoding 和 decoding feature，更好的進(jìn)行結(jié)合。此處使用的 ConvLSTM 是來自于：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting，NIPS 2015。該模型包含 input gate, output gate, forget gate, and a memory cell。

今日 Paper | 雙向ConvLSTMU-Net卷積；SAU-Net；立體匹配；深度語義分割等

SAU-Net:基于空間注意力的密集型U-N網(wǎng)絡(luò)在脊柱三維MRI分割中的應(yīng)用

論文名稱：SAU-Net: Spatial Attention-based Densely Connected U-Net for 3D Spine MRI Segmentation

作者：Anonymous authors

發(fā)表時(shí)間：2020/1/10

論文鏈接：https://paper.yanxishe.com/review/13534?from=leiphonecolumn_paperreview0317

推薦原因

脊柱分割問題中切片形狀不規(guī)則、切片之間的差異性大，往往會(huì)導(dǎo)致分割精度不高。

因此，本文作者采用堆疊的DenseU-Net結(jié)構(gòu)對(duì)輸入的三維圖像進(jìn)行預(yù)測(cè)。然后利用層間信息對(duì)粗分割結(jié)果進(jìn)行細(xì)化，并得到最終的分割結(jié)果。

學(xué)會(huì)自適應(yīng)的立體匹配

論文名稱：Learning to Adapt for Stereo

作者：Tonioni Alessio /Rahnama Oscar /Joy Thomas /Di Stefano Luigi /Ajanthan Thalaiyasingam /Torr Philip H. S.

發(fā)表時(shí)間：2019/4/5

論文鏈接：https://paper.yanxishe.com/review/13528?from=leiphonecolumn_paperreview0317

推薦原因

這篇論文主要解決立體匹配領(lǐng)域中，從合成/仿真數(shù)據(jù)域到真實(shí)數(shù)據(jù)域的自適應(yīng)學(xué)習(xí)。作者借鑒元學(xué)習(xí)MAML的思想，希望能夠在合成數(shù)據(jù)上仿真實(shí)際情況中的自適應(yīng)學(xué)習(xí)過程，將自適應(yīng)的過程納入訓(xùn)練階段的學(xué)習(xí)目標(biāo)。作者利用抽取的視頻幀，在訓(xùn)練時(shí)對(duì)當(dāng)前視頻幀使用無監(jiān)督損失函數(shù)模仿適應(yīng)到新環(huán)境的過程，再對(duì)下一幀采用有監(jiān)督損失函數(shù)評(píng)估自適應(yīng)的有效性。由此訓(xùn)練出來的模型能夠更好地適應(yīng)不同的新環(huán)境。同時(shí)，為了提高無監(jiān)督自適應(yīng)的質(zhì)量，作者還設(shè)計(jì)了一個(gè)置信度估計(jì)網(wǎng)絡(luò)，用來過濾掉無監(jiān)督損失函數(shù)中被遮擋的像素點(diǎn)。作者從元學(xué)習(xí)上尋找思想，通過訓(xùn)練上的優(yōu)化來達(dá)到提升自適應(yīng)的能力，具有很強(qiáng)的創(chuàng)新性。該論文收錄在CVPR 2019。

自然和醫(yī)學(xué)圖像的深度語義分割：綜述

論文名稱：Deep Semantic Segmentation of Natural and Medical Images: A Review

作者：Saeid Asgari Taghanaki?1 / Kumar Abhishek1 / Joseph Paul Cohen2 / Julien Cohen-Adad3 / and Ghassan Hamarneh1

發(fā)表時(shí)間：2019/10/16

論文鏈接：https://paper.yanxishe.com/review/13529?from=leiphonecolumn_paperreview0317

推薦原因

這一篇 2019 下半年發(fā)表的醫(yī)學(xué)圖像分割綜述。該文主要對(duì)自然圖像語義分割以及醫(yī)學(xué)圖像分割的知識(shí)點(diǎn)進(jìn)行了梳理和總結(jié)。這篇綜述將最經(jīng)典的基于深度學(xué)習(xí)的醫(yī)學(xué)圖像和非醫(yī)學(xué)圖像分割問題分為五個(gè)子問題進(jìn)行了總結(jié)，分別為：網(wǎng)絡(luò)結(jié)構(gòu)，損失函數(shù)，數(shù)據(jù)合成（生成），弱監(jiān)督方法和多任務(wù)方法，內(nèi)容涵蓋了經(jīng)典、最新的基于深度學(xué)習(xí)的圖像語義分割相關(guān)論文。最后又對(duì)自然圖像和醫(yī)學(xué)圖像的未來研究熱門方向進(jìn)行了總結(jié)。

深度學(xué)習(xí)在股市預(yù)測(cè)中的應(yīng)用：最新進(jìn)展

論文名稱：Applications of deep learning in stock market prediction: recent progress

作者：Jiang Weiwei

發(fā)表時(shí)間：2020/2/29

論文鏈接：https://paper.yanxishe.com/review/13411?from=leiphonecolumn_paperreview0317

推薦原因

這篇論文回顧和總結(jié)了最近3年深度學(xué)習(xí)在股市預(yù)測(cè)中的文獻(xiàn)，試圖讓后續(xù)的研究者快速地了解這個(gè)領(lǐng)域的最新進(jìn)展，同時(shí)也格外關(guān)注了過去工作中的開源代碼和數(shù)據(jù)，幫助后續(xù)的研究者復(fù)現(xiàn)之前的工作作為新模型進(jìn)行比較的基準(zhǔn)。這個(gè)領(lǐng)域仍然是非?；钴S的，最近的圖卷積模型等新的工作會(huì)給股市預(yù)測(cè)問題帶來新的視角，有可能促進(jìn)這個(gè)領(lǐng)域進(jìn)一步的發(fā)展。