今日Paper | 空間注意力網絡;深度信念網絡;GhostNet;位置預測等

VSGNet：基於圖卷積的人體物體交互檢測的空間注意力網絡

用單個深度學習模型代替移動相機ISP

基於深度信念網絡來識別阿爾茲海默症的蛋白質組危險標誌物

分層時空LSTM在位置預測中的應用

GhostNet：廉價運營帶來的更多功能

  VSGNet：基於圖卷積的人體物體交互檢測的空間注意力網絡

論文名稱：VSGNet: Spatial Attention Network for Detecting Human Object Interactions Using Graph Convolutions

作者：Ulutan Oytun /Iftekhar A S M /Manjunath B. S.

發表時間：2020/3/11

論文連結：https://paper.yanxishe.com/review/14230?from=leiphonecolumn_paperreview0330

推薦原因

本文已被CVPR2020接收。全面的視覺理解邀請檢測框架能夠在分析單個對象時能夠有效學習和利用對象之間額交互，這是人體物體交互 (Human-Object Interaction, HOI) 檢測任務的主要目標。本文提出了可視空間圖網絡 (Visual-Spatial-Graph Network, VSGNet) ，其從人體-物體數據對中提取視覺特徵，使用空間配置來完善特徵，並通過圖卷積建立對象之間的結構連接。作者在V-COCO和HICO-DET兩個數據集上徹底地評價了VSGNet，實驗結果表明，VSGNet在V-COCO中的性能比目前最優方法高出8％或4 mAP，在HICO-DET中有16％或3 mAP的提升。

論文名稱：Replacing Mobile Camera ISP with a Single Deep Learning Model

作者：Andrey Ignatov

發表時間：2020/2/13

論文連結：https://paper.yanxishe.com/review/14228?from=leiphonecolumn_paperreview0330

推薦原因

本文研究意義

本文是一篇關於解決在各種複雜環境下移動端拍攝圖像遇到問題的文章。作者從移動端拍攝圖像時通常遇到的噪聲、霧化、夜景等角度引出目前面臨的問題，並且從軟硬體的角度闡述了目前存在弊端的客觀原因，在此背景下提出了一種用於解決上述問題的新算法——PyNET。對於這種算法，作者從他的網絡框架、模型損失函數、模型適配環境等方面進行了說明，最後通過實驗驗證，證實了該算法可以有效地解決上述移動端拍攝圖像時遇到的各種問題。

  基於深度信念網絡來識別阿爾茲海默症的蛋白質組危險標誌物

論文名稱：A deep belief network-based method to identify proteomic risk markers for Alzheimer disease

作者：Ning An /Liuqi Jin /Huitong Ding /Jiaoyun Yang /Jing Yuan

發表時間：2020/3/11

論文連結：https://paper.yanxishe.com/review/14222?from=leiphonecolumn_paperreview0330

推薦原因

1 核心問題

儘管大量研究已正式確定載脂蛋白E（APOE）是阿爾茨海默氏病的主要遺傳風險標誌物，但越來越多的證據支持可能存在其他危險標記的觀點。然而，傳統針對阿爾茲海默症的分析方法並不能充分利用其蘊含的豐富的蛋白質表達信息，尤其是對於特徵之間的連接關係上。本文針對的是使用深度信念神經網絡識別阿爾茲海默症蛋白組危險標記的核心問題。

2 創新點

該論文提出了一個識別阿爾茲海默症的治病因素的新型特徵選擇方法，並應用在蛋白質組數據和臨床數據上。此方法將網絡節點的權重設置為信號蛋白表達值的重要度排序序號。

3 研究意義

1）此方法幫助選擇一個最優子蛋白序列，並實現了90%的準確度，此結果超越了針對阿爾茲海默症診斷的傳統方法2）在識別蛋白組危險標記和加強新陳代謝危險因子和阿爾茲海默症之間聯繫的同時，本文同時還指出脂聯素連接的途徑可能是藥物治療的靶點。

論文名稱：HST-LSTM: A Hierarchical Spatial-Temporal Long-Short Term Memory Network for Location Prediction

作者：Dejiang Kong

發表時間：2018/12/5

論文連結：https://paper.yanxishe.com/review/13552?from=leiphonecolumn_paperreview0330

推薦原因

針對目前學術界研究的位置軌跡定位問題，本文提出了一種新穎的時空LSTM模型進行研究。與以往的研究方法相比，作者採用ST-LSTM模型，將時空因素引入門控機制從而緩解數據的稀疏性問題。除此之外，作者採用分層架構結合利用上下文歷史訪問信息來提高位置預測的準確性。通過實驗驗證，證明了該方法的有效性。

論文名稱：GhostNet: More Features from Cheap Operations

作者：Kai Han1

發表時間：2020/1/15

論文連結：https://paper.yanxishe.com/review/13546?from=leiphonecolumn_paperreview0330

推薦原因

本文提出了一種新穎的Ghost模塊，通過廉價的操作就可以生成更多的功能圖，這些功能圖可用於構建有效的神經體系結構。其中，本文提出的Ghost模塊，它是將原始的卷積神經網絡（CNN）中的卷積層分為兩部分，通過使用較少的過濾器生成了新的固有特徵圖。然後，通過一定數量的廉價轉化操作，進一步應用於有效生成幻影特徵圖。最後作者在數據集上進行實驗，實驗表明，該方法將原始模型在保持可比性能的同時轉換為緊湊型的即插即用模塊，除此之外，新模塊構建的GhostNet在結構率和準確性方面均優於傳統的神經網絡。

雷鋒網(公眾號：雷鋒網)雷鋒網雷鋒網

相關文章：

今日 Paper | 二氧化碳排放預測；3D人臉重建；BERTology入門；動態場景重建等

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。