今日 Paper | 2019-nCoV传播预测；行人重识别；协同时态建模；舞蹈生成等

本文作者：AI研习社

2020-02-19 15:34

导语：为了更好地服务广大 AI 青年，AI 研习社正式推出全新「论文」版块

今日 Paper | 2019-nCoV传播预测；行人重识别；协同时态建模；舞蹈生成等

用综合方法预测2019-nCoV传播的结束

论文名称：Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods

作者：Zeng Tianyu /Zhang Yunong /Li Zhenyu /Liu Xiao /Qiu Binbin

发表时间：2020/2/12

论文链接：https://paper.yanxishe.com/review/11431?from=leiphonecolumn_paperreview0219

推荐原因

这篇论文试图预测新型冠状病毒的传播，提出了一种多模态常微分方程神经网络（Multi-Model Ordinary Differential Equation set Neural Network，MMODEs-NN）以及无模型方法，来预测疫情在中国大陆尤其是湖北省的扩散情况。与现有流行病学模型相比，这篇论文提出的方法可以使用常微分方程激活法来模拟传播，而基于S形函数、高斯函数和Poisson分布的无模型方法是线性的，因而非常高效。根据数值实验与实情，为了控制疫情扩散的特别政策在一些省取得效果，目前预测这股疫情可能在2月18日之前减速并在2020年4月之前结束。这篇论文所提的数学和人工智能方法可以对2019-nCoV的结束给出一致且合理的预测。

通过被动WiFi传感和数据挖掘了解社会事件中的人群行为

论文名称：Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining

作者：Zhou Yuren /Lau Billy Pik Lik /Koh Zann /Yuen Chau /Ng Benny Kai Kiat

发表时间：2020/2/5

论文链接：https://paper.yanxishe.com/review/11308?from=leiphonecolumn_paperreview0219

推荐原因

这篇论文通过WiFi传感数据进行人群行为分析。

通过收集从移动设备发送的WiFi请求，无源WiFi感测提供了一种比人群计数器和摄像机更好的监控人群的方法。在现有研究中，对收集数据的全面分析和挖掘没有给予足够重视。这篇论文提出一个全面的数据分析框架，以在统计、可视化和无监督机器学习帮助下，全面分析收集的探测请求，以提取与大型社交事件中的人群行为相关的三种类型模式。这个分析框架首先从探测请求中提取移动设备的轨迹并进行分析，以揭示人群运动的空间模式。然后采用分层聚集聚类法来查找不同位置之间的互连。接下来应用K均值和K聚类算法分别按天数和位置提取人群的时间访问模式。最后通过与时间结合，轨迹被转换为时空模式，揭示了轨迹持续时间如何随长度变化，以及人群运动的总体趋势如何随时间变化。这个数据分析框架通过在大型社交事件中收集的真实数据进行了验证。

用于RGB-红外行人重识别的交叉模态配对图像生成

论文名称：Cross-Modality Paired-Images Generation for RGB-Infrared Person Re-Identification

作者：Wang Guan-An /Yang Tianzhu Zhang. Yang /Cheng Jian /Chang Jianlong /Liang Xu /Hou Zengguang

发表时间：2020/2/10

论文链接：https://paper.yanxishe.com/review/11306?from=leiphonecolumn_paperreview0219

推荐原因

这篇论文要解决的是行人重识别问题。

RGB和IR图像之间缺少对应标签，会导致某些实例的对齐错误，从而限制RGB-IR Re-ID的性能。与现有方法不同，这篇论文提出生成跨模态配对图像，并执行全局集合级和细粒度实例级对齐。这种方法可以通过解开特定于模态和模态不变的特征来执行集合级对齐。与传统方法相比，所提方法可以显式删除特定于模态的特征，并且可以更好地减少模态变化。给定一个人的跨模态不成对图像，所提方法可以从交换的图像生成跨模态成对图像，通过最小化每对图像的距离直接执行实例级对齐。在两个标准基准上的大量实验结果表明，所提模型有利于抗衡当前最佳方法，特别是在SYSU-MM01数据集上，所提模型在Rank-1和mAP方面可以实现9.2％和7.7％的提升。

CTM：面向动作识别的协同时态建模

论文名称：CTM: Collaborative Temporal Modeling for Action Recognition

作者：Liu Qian /Wang Tao /Liu Jie /Guan Yang /Bu Qi /Yang Longfei

发表时间：2020/2/8

论文链接：https://paper.yanxishe.com/review/11182?from=leiphonecolumn_paperreview0219

推荐原因

这篇论文要解决的是动作识别问题。

与图像识别任务不同，动作识别任务对于时间维度的要求更高。为了学习到视频的强大特征，这篇论文提出了一个名为CTM的协同时间模型来学习时间信息。CTM作为一个单独的时间建模模块，包括了两条协作路径：一个空间感知的时间建模路径和一个无空间感知的时间建模路径。CTM模型可以无缝地插入许多流行的神经网络模型中以生成CTM网络，可以将学习时间信息的能力带给仅捕获了空间信息的2D CNN骨干网络中。在几个流行的动作识别数据集上进行的实验表明，CTM块在2D CNN基线模型上带来了性能提升。

Music2Dance：使用WaveNet的音乐驱动的舞蹈生成

论文名称：Music2Dance: Music-driven Dance Generation using WaveNet

作者：Zhuang Wenlin /Wang Congyi /Xia Siyu /Chai Jinxiang /Wang Yangang

发表时间：2020/2/2

论文链接：https://paper.yanxishe.com/review/11181?from=leiphonecolumn_paperreview0219

推荐原因

这篇论文提出了一个名为Music2Dance的模型，用于解决全自动音乐编排的问题。

Music2Dance的主要思想是将最初为语音生成而设计的WaveNet转变为人体运动合成，首先通过考虑节奏和旋律的特征来提取音乐特征，接着将舞蹈的类型设计为网络的全局条件。为了解决数据缺乏的挑战，这篇论文收集捕捉了专业舞者同步的音乐舞蹈对，从而建立了高质量的音乐舞蹈对数据集。这个数据集上的实验表明了Music2Dance的有效性。