Hi 歡迎來到Paper 研習社每日精選欄目，Paper 研習社（paper.yanxishe.com）每天都為你精選關於人工智能的前沿學術論文供你參考，以下是今日的精選內容——
目錄
Neural Module Networks for Reasoning over Text
Scale Match for Tiny Person Detection
Combining Fact Extraction and Verification with Neural Semantic Matching Networks
Combining Deep Learning and Verification for Precise Object Instance Detection
Evaluating Usage of Images for App Classification
DADA: A Large-scale Benchmark and Model for Driver Attention Prediction in Accidental Scenarios
Unsupervised Adversarial Image Inpainting
Learning by Cheating
CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features
Mining and Summarizing Customer Reviews
用於文本推理的神經模塊網絡
Neural Module Networks for Reasoning over Text
作者：Gupta Nitish /Lin Kevin /Roth Dan /Singh Sameer /Gardner Matt
發表時間：2019/12/10
論文鏈接：https://paper.yanxishe.com/review/7907
推薦理由：針對文本進行推理的多個步驟的構想問題回答問題是具有挑戰性的，特別是當它們涉及離散的象徵性操作時。神經模塊網絡（NMN）學習解析諸如由可學習模塊組成的可執行程序之類的問題，它們在合成的視覺質量檢查域中表現良好。但是，作者發現在開放域文本中針對非綜合性問題學習這些模型非常困難，因為模型需要處理自然語言的多樣性並進行更廣泛的推理。
作者通過以下方式擴展NMN：（a）引入對一段文本進行推理的模塊，以概率和可微分的方式對數字和日期執行符號推理（例如算術，排序，計數）；（b）提出無監督的輔助損失，以幫助提取與文本中的事件相關的論點。此外，作者顯示出有限的試探性獲得的問題程序和中間模塊輸出監督為準確學習提供了足夠的歸納偏差。
成果：作者提出的模型大大優於DROP數據集的子集上的最新模型，後者構成了其模塊所涵蓋的各種推理挑戰。
用於微小人物檢測的尺度匹配
論文名稱：Scale Match for Tiny Person Detection
作者：Yu Xuehui /Gong Yuqi /Jiang Nan /Ye Qixiang /Han Zhenjun
發表時間：2019/12/23
論文鏈接：https://paper.yanxishe.com/review/7893
推薦理由：這篇論文要解決的是微小人物檢測的問題。
隨著深度卷積網絡的發展，可視化對象檢測已經取得了廣泛的進步。然而，在大尺度圖像中檢測微小的目標（例如小於20像素的人）仍然沒有受到充分重視。極端小的物體給特徵表示帶來大麻煩，更何況複雜的背景又加大了困難。這篇論文的貢獻在於提出了一個新基準TinyPerson，用於長程與大背景下的微型物體檢測任務。通過實驗發現，用於網絡預訓練的數據集和用於檢測器學習的數據集之間的比例失配可能會使特徵表示和檢測器惡化。因此這篇論文又提出一種簡單而有效的比例匹配方法，以在兩個數據集之間對齊對象比例，從而實現有利的微小對象表示。
這篇論文會公開數據集和基準方法，有利於後續的研究進行比較和驗證。
將事實提取和驗證與神經語義匹配網絡相結合
Combining Fact Extraction and Verification with Neural Semantic Matching Networks
作者：Yixin Nie / Haonan Chen / Mohit Bansal
發表時間：2018/12/12
論文鏈接：https://paper.yanxishe.com/review/7868
推薦理由：對錯誤信息的日益關注刺激了對自動事實檢查的研究。最近發佈的FEVER數據集引入了基準事實驗證任務，其中要求系統使用來自Wikipedia文檔的證據語句來驗證索賠。在本文中，作者提出了一個由三個同類神經語義匹配模型組成的連接系統，該模型共同進行文檔檢索，句子選擇和要求驗證，以進行事實提取和驗證。對於證據檢索（文檔檢索和句子選擇），不像傳統的向量空間IR模型（在某些預先設計的術語向量空間中對查詢和來源進行匹配），假設沒有中間語言，作者開發了神經模型以從原始文本輸入執行深度語義匹配術語表示，無權訪問結構化的外部知識庫。作者還顯示了Pageview頻率還可以幫助提高證據檢索結果的性能，以後可以使用作者的神經語義匹配網絡進行匹配。為了進行聲明驗證，與以前僅將上游檢索到的證據和聲明提供給自然語言推理（NLI）模型的方法不同，作者通過為NLI模型提供內部語義相關性評分（因此將其與證據檢索模塊集成）來進一步增強NLI模型和本體的WordNet功能。在FEVER數據集上的實驗表明：（1）作者的神經語義匹配方法在所有證據檢索指標上都有顯著優勢，勝過流行的TF-IDF和編碼器模型；（2）附加的相關性評分和WordNet功能通過更好的語義改進了NLI模型（3）通過將所有三個子任務形式化為相似的語義匹配問題並在所有三個階段進行改進，完整的模型能夠在FEVER測試集上獲得最新的結果。
結合深度學習和驗證進行精確的對象實例檢測
Combining Deep Learning and Verification for Precise Object Instance Detection
作者：Ancha Siddharth /Nan Junyu /Held David
發表時間：2019/12/27
論文鏈接：https://paper.yanxishe.com/review/7928
推薦理由：深度學習對象檢測器通常會以很高的置信度返回誤報。儘管它們優化了通用檢測性能，例如平均平均精度（mAP），但它們並不是為可靠性而設計的。對於可靠的檢測系統，如果進行了高置信度檢測，作者將希望高度確定確實已檢測到對象。為此，作者開發了一套驗證測試，建議的檢測必須通過該測試才能被接受。
作者建立了一個理論框架，可以證明在某些假設下，作者的驗證測試不會接受任何誤報。基於此框架的近似值，作者提出了一種實用的檢測系統，該系統可以高精度地驗證基於機器學習的對象檢測器的每次檢測是否正確。作者表明，這些測試可以提高基本檢測器的整體精度，並且公認的示例很有可能是正確的。這允許檢測器在高精度狀態下操作，因此可以作為可靠的實例檢測方法用於機器人感知系統。
評估圖像的用途以進行應用分類
Evaluating Usage of Images for App Classification
作者：Singla Kushal /Mukherjee Niloy /Koduvely Hari Manassery /Bose Joy
發表時間：2019/12/16
論文鏈接：https://paper.yanxishe.com/review/7926
推薦理由：應用分類在許多應用中很有用，例如將應用添加到應用商店或基於已安裝的應用建立用戶模型。當前，有許多現有方法可基於給定分類法基於文本元數據對應用程序進行分類。但是，基於文本的應用程序分類方法可能無法在所有情況下都有效，例如，當文本描述使用其他語言，丟失或不足以對應用程序進行分類時。在這種情況下，有一種解決方案是利用應用圖像來補充文本描述。
在本文中，作者評估了許多方法，其中可以使用應用程序圖像對應用程序進行分類。在這種方法中，作者使用光學字符識別（OCR）從圖像中提取文本，然後將其用於補充應用程序的文本描述。在另一種方法中，作者使用pic2vec將應用程序圖像轉換為矢量，然後訓練SVM將矢量分類為正確的應用程序標籤。在另一種方法中，我們使用此http URL（https://www.captionbot.ai/）工具從應用程序圖像生成自然語言描述。最後，作者使用一種方法來檢測和標記應用程序圖像中的對象，並使用投票技術根據所有圖像確定應用程序的類別。作者比較了基於圖像的技術的性能，以對數據集中的許多應用進行分類。
作者使用基於文本的SVM應用分類器作為基礎，並且在添加應用圖像時某些類別的分類精度提高了96％。
DADA：意外情況下駕駛員注意力預測的大規模基準和模型
DADA: A Large-scale Benchmark and Model for Driver Attention Prediction in Accidental Scenarios
作者：Fang Jianwu /Yan Dingxin /Qiao Jiahuan /Xue Jianru
發表時間：2019/12/18
論文鏈接：https://paper.yanxishe.com/review/7925
推薦理由：駕駛員注意力預測最近在交通場景理解中引起了越來越多的關注，並且在以視覺為中心和類似人的駕駛系統中很容易成為一個基本問題。這項工作與其他嘗試不同，它試圖在同時包含正常，嚴重和意外情況的意外情況下預測駕駛員的注意力。但是，由於交通場景多變，事故類別錯綜複雜且不平衡，因此面臨挑戰。
假設駕駛員的注意力可以提供碰撞對象的選擇性作用，以協助駕駛事故檢測或預測，本文設計了一種多路徑語義引導的注意力融合網絡（MSAFNet），該網絡學習時空語義和場景變化。預測。為了實現這一目標，提供了包含2000個視頻序列的大型基準測試（命名為DADA-2000），並通過費力的註釋來吸引駕駛員注意（固定，掃視，聚焦時間），事故對象/間隔以及事故類別，以及全面的評估可提供比最新技術更出色的性能。據目前所知，這是針對意外情況下人眼感知探索的首次全面定量研究。可通過原文後URL獲得DADA-2000。
無監督的對抗圖像修復
Unsupervised Adversarial Image Inpainting
作者：Pajot Arthur /de Bezenac Emmanuel /Gallinari Patrick
發表時間：2019/12/18
論文鏈接：https://paper.yanxishe.com/review/7924
推薦理由：作者考慮在無人看管的環境中進行修補，在這種情況下，無法訪問配對或非配對的訓練數據。唯一的信息是由不完整的觀察和修補過程統計信息提供的。在這種情況下，觀察應該引起一些合理的重建，這些重建相當於學習重建圖像空間上的分佈。
作者通過使用條件GAN來建模重構過程，該條件GAN對隨機組件具有約束，從而在該組件和生成的輸出之間引入了顯式依賴性。這使作者可以從潛在分量中進行採樣，以生成與觀察相關的圖像分佈。
作者在幾種圖像數據集上證明了其模型的能力：面孔（CelebA），食物圖像（Recipe-1M）和具有不同類型的插補蒙版的臥室（LSUN臥室）。該方法產生的性能可與經過額外監督訓練的模型變體相比。
通過作弊學習
Learning by Cheating
作者：Chen Dian /Zhou Brady /Koltun Vladlen /Krähenbühl Philipp
發表時間：2019/12/27
論文鏈接：https://paper.yanxishe.com/review/7919
推薦理由：基於視覺的城市駕駛很難。自治系統需要學習感知世界並在其中行事。我們表明，可以通過將其分解為兩個階段來簡化此具有挑戰性的學習問題。
作者首先訓練可以訪問特權信息的代理。該特權代理通過觀察環境的真實佈局和所有交通參與者的位置來作弊。在第二階段，特權代理充當訓練純基於視覺的感覺運動代理的老師。生成的感覺運動代理無法訪問任何特權信息，也不會作弊。這種分兩個階段的培訓程序最初是違反直覺的，但是具有許多重要的優點，作者將通過分析和經驗證明。
作者使用其提出的方法來訓練基於視覺的自動駕駛系統，該系統在CARLA基準和最近的NoCrash基準上明顯優於最新技術。該方法首次在原始CARLA基準中實現了所有任務的100％成功率，在NoCrash基準上創下了新記錄，並且與現有技術水平相比，將違規頻率降低了一個數量級。有關概述這項工作的視頻，請參見以下 URL（https://www.youtube.com/watch?v=u9ZCxxD-UUw&feature=youtu.be）。
CutMix：訓練具有局部特徵的強分類器的正則化策略
CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features
作者：Yun Sangdoo /Han Dongyoon /Oh Seong Joon /Chun Sanghyuk /Choe Junsuk /Yoo Youngjoon
發表時間：2019/5/13
論文鏈接：https://paper.yanxishe.com/review/7911
推薦理由：為了提高卷積神經網絡分類器的性能，研究者提出了區域丟棄策略。事實證明，它們可以有效地引導模型關注對象中不易區分的部分（例如，腿而不是人的頭部），從而使網絡更好地進行泛化，並具有更好的對象定位能力。另一方面，當前的區域性丟棄方法通過覆蓋黑色像素或隨機噪聲來去除訓練圖像上的信息像素。這種刪除是不可取的，因為它會導致信息丟失和訓練過程中的效率低下。
因此，作者提出了CutMix增強策略：訓練圖像之間剪切和粘貼補丁，其中對應的真值標籤也與補丁的區域成比例地混合。通過有效利用訓練像素和保持區域丟失的正則化效果，CutMix在CIFAR和ImageNet分類任務以及ImageNet弱監督定位任務中始終優於最新的增強策略。此外，與以前的增強方法不同，作者的CutMix訓練的ImageNet分類器在用作預訓練模型時，在Pascal檢測和MS-COCO圖像字幕基準測試中獲得了一致的性能增益。作者還證明了CutMix改進了針對輸入損壞及其分佈外檢測性能的模型魯棒性。
挖掘和總結客戶評論
Mining and Summarizing Customer Reviews
作者：Minqing Hu /Bing Liu
發表時間：2004/12/22
論文鏈接：https://paper.yanxishe.com/review/7917
推薦理由：本文重點：這是一個具體應用的文章，在電子商務應用評論數據尤為重要，如何從評論中摘要出用戶對不用產品的不同角度的評價是這篇文章的任務
創新點：這篇文章構建了一個系統化的工作，具體來說：
（1）挖掘客戶評論；
（2）識別每次回顧並決定每個意見句是否積極或消極；
（3）總結結果。
研究意義：這篇文章的工作在實際任務中確實取得了良好的效果。
雷鋒網雷鋒網雷鋒網
閱讀更多 雷鋒網 的文章
