CCF-GAIR 2020
您正在使用IE低版浏览器,为了您的雷锋网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
人工智能学术 正文
发私信给AI研习社
发送

0

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

本文作者:AI研习社 2020-03-13 15:31
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 | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

  目录

重新思考通往弱监督目标的定位

基于U-Net(R2U-Net)的递归残差卷积神经网络在医学图像分割中的应用

UNet++: 一种医学图像分割的嵌套U-Net结构

使用基于双谱的深度卷积神经网络对非线性时间序列进行分类

hAttention-RPN和Multi-Relation的超强小目标检测

  重新思考通往弱监督目标的定位

论文名称:Rethinkingthe Route Towards Weakly SupervisedObject Localization

作者:Chen-Lin Zhang

发表时间:2020/3/3

论文链接:https://paper.yanxishe.com/review/13532?from=leiphonecolumn_paperreview0313

推荐原因

本文为2020CVPR的文章。针对目前弱监督目标定位方法的问题,本论文提出了伪监督目标定位方法(PSOL)来解决当下研究的困境。作者分别从定位和分类两方面来搭建伪监督目标定位的网络,接着在训练集上使用Deep descriptor transformation(DDT)生成伪GT进行训练,整体效果达到SOTA。

 该论文主要有三点贡献:

一、提出了伪监督目标定位PSOL算法;

二、通过实验验证,该算法在不同数据集上不需要fine-tuning也能有很好的定位迁移能力。

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等
今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

  基于U-Net(R2U-Net)的递归残差卷积神经网络在医学图像分割中的应用

论文名称:Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

作者:Alom Md Zahangir /Hasan Mahmudul /Yakopcic Chris /Taha Tarek M. /Asari Vijayan K.

发表时间:2018/2/20

论文链接:https://paper.yanxishe.com/review/13551?from=leiphonecolumn_paperreview0313

推荐原因

本文作者提出了一种基于U-Net的递归卷积神经网络(RCNN)和一种基于U-Net模型的递归残差卷积神经网络(RRCNN),分别称为RU-Net和R2U-Net。提出的模型利用了U-Net,残差网络和RCNN。首先,残差单元在训练深度架构时会有所帮助。其次,具有递归残差卷积层的特征对分割任务具有更好的特征表示。第三,它使我们能够设计出具有相同数量网络参数的更好U-Net架构,并具有更好的医学图像分割性能。

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等
今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

  UNet++: 一种医学图像分割的嵌套U-Net结构

论文名称:UNet++: A Nested U-Net Architecture for Medical Image Segmentation

作者:Zongwei Zhou / Md Mahfuzur Rahman Siddiquee / Nima Tajbakhsh / Jianming Liang

发表时间:2018/7/18

论文链接:https://paper.yanxishe.com/review/13550?from=leiphonecolumn_paperreview0313

推荐原因

文章是2018年在MICCAI中发表的UNet++,对Unet改进的点主要是skip connection。作者认为skip connection 直接将unet中encoder的浅层特征与decoder的深层特征结合是不妥当的,会产生semantic gap。整篇文章的一个假设就是,当所结合的浅层特征与深层特征是semantically similar时,网络的优化问题就会更简单,因此文章对skip connection的改进就是想bridge/reduce 这个semantic gap。

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等
今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

  使用基于双谱的深度卷积神经网络对非线性时间序列进行分类

论文名称:Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks

作者:Paul A. Parker /Scott H. Holan /Nalini Ravishanker

发表时间:2020/3/4

论文链接:https://paper.yanxishe.com/review/13522?from=leiphonecolumn_paperreview0313

推荐原因

1 核心问题:

在时间序列的分析上,学术界已经拥有丰富的研究基础和历史,由于假设基本过程为线性,绝大多数现有的方法只依赖于时间序列的一阶和二阶属性。然而,非线性数据在现实世界却普遍存在,针对此种情况,本文主要解决了对非线性时间序列分类的问题。

2 创新点:

此前,并没有使用高阶频谱分析(HOSA)对商业和工业的时间序列数据进行统计分类的相关研究。本文主要提出一种将高阶频谱分析(HOSA)和深度神经网络(DCNN)结合起来,对非线性时间序列进行分类的方法。同时,还利用了贝叶斯神经网络,对非线性时间序列数据进行不确定性度量。在实验部分,本文(1)实现了谷歌趋势数据的分类(2)实现了基于用电耗费量对家庭电器的分类。

3 研究意义:

面对非线性时间序列的现有有效分类方法的不足,以及非线性时间序列数据在现实生活中普遍存在的事实,本文提出了一种非线性时间序列分类的方法。此方法(1)有利于不确定度量(2)可以容纳高维数据结构,避免进行高耗费的蒙特卡洛马尔可夫链的计算(3)实现了特征提取的变体,此变体可以通过识别用来确定类别概率的关键频率来进行推理。

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等
今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

  hAttention-RPN和Multi-Relation的超强小目标检测

论文名称:Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

作者:Qi Fan∗

发表时间:2019/12/23

论文链接:https://paper.yanxishe.com/review/13530?from=leiphonecolumn_paperreview0313

推荐原因

研究意义:

本文主要研究的是如何对少样本目标进行检测,在此基础上,作者提出了一种包括Attention-RPN、多关系检测器以及对比训练策略的检测算法,为后续研究提供了新的思路。

创新点:

1、提出了新的少样本目标检测算法,创新点包括Attention-RPN、多关系检测器以及对比训练策略。

2、构建了包含1000类的少样本检测数据集FSOD,在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中,不需要fine-tune。

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等
今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等


今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

雷锋网雷锋网雷锋网(公众号:雷锋网)

相关文章:

今日 Paper | 神经网络结构搜索;视觉目标;人物识别;视频3D人体姿态估计等

雷锋网原创文章,未经授权禁止转载。详情见转载须知

今日 Paper | 弱监督目标的定位;递归残差卷积神经网络;嵌套U-Net结构;超强小目标检测等

分享:

文章点评:

表情
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说