今日 Paper | 社交媒体谣言检测；连续手语识别；细粒度服装相似性学习；混合图神经网络等
今日 Paper | 社交媒体谣言检测；连续手语识别；细粒度服装相似性学习；混合图神经网络等
目录
基于双向图卷积神经网络的社交媒体上谣言检测
用于连续手语识别的时空多线索网络
基于属性特定嵌入网络的细粒度服装相似性学习
混合图神经网络在人群计数中的应用
使用卫星图像中的目标检测生成可解释的贫困地图
基于双向图卷积神经网络的社交媒体上谣言检测
论文名称：Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
作者：Bian Tian /Xiao Xi /Xu Tingyang /Zhao Peilin /Huang Wenbing /Rong Yu /Huang Junzhou
发表时间：2020/1/17
论文链接：https://arxiv.org/abs/2001.06362
推荐原因
近些年,人们对于社交媒体上的虚假新闻和谣言逐渐关注的起来. 一些虚假的新闻/谣言在经过社交媒体的放大后将产生比较大的影响,甚至造成公众恐慌. 一些工作尝试利用各种深度模型来提升检测效果.本文设计另一种双向图卷积神经网络来同时从上到下+从下到上的进行谣言检测.实验结果也验证了本文算法的有效性。
用于连续手语识别的时空多线索网络
论文名称：Spatial-Temporal Multi-Cue Network for Continuous Sign Language Recognition
作者：Zhou Hao /Zhou Wengang /Zhou Yun /Li Houqiang
发表时间：2020/2/8
论文链接：https://arxiv.org/abs/2002.03187v1
推荐原因
这篇论文要解决的是连续手语识别的问题。
以往的深度学习模型在连续手语识别任务中只关注了最具区分性的特征，而忽略了其他视觉线索，例如手型、面部表情和身体姿势。这篇论文将多线索学习和神经网络相结合，提出了一个名为STMC的时空多线索网络来解决这个问题。STMC网络由空间多线索（SMC）模块和时间多线索（TMC）模块组成，其中SMC模块用于空间表示，并借助一个独立的姿势估计模块来分解不同线索的视觉特征，TMC模块沿两个平行路径对时间相关性进行建模。这篇论文还提出了一个联合优化策略来实现STMC的端到端学习。在三个大型CSLR基准上的实验结果表明这篇论文所提出的方法取得了最好的性能表现。
基于属性特定嵌入网络的细粒度服装相似性学习
论文名称：Fine-Grained Fashion Similarity Learning by Attribute-Specific Embedding Network
作者：Ma Zhe /Dong Jianfeng /Zhang Yao /Long Zhongzi /He Yuan /Xue Hui /Ji Shouling
发表时间：2020/2/7
论文链接：https://arxiv.org/abs/2002.02814v1
推荐原因
这篇论文要解决的是细粒度服饰相似度度量的问题
细粒度服饰相似度度量可以用于服饰相关的应用，例如服饰版权保护。这篇论文提出了名为ASEN的特定属性嵌入网络，来端到端联合学习多个指定属性嵌入，因此在相关空间能度量细粒度相似度。在使用基于属性的空间注意力与基于属性的通道注意力模块后，ASEN能定位到相关区域，并在特定属性的指引下捕获必要的模式，因此使得习得的属性特定嵌入信息能更好地表示细粒度相似度。这篇论文被AAAI 2020接收，作者也放出了数据和代码。
混合图神经网络在人群计数中的应用
论文名称：Hybrid Graph Neural Networks for Crowd Counting
作者：Luo Ao /Yang Fan /Li Xin /Nie Dong /Jiao Zhicheng /Zhou Shangchen /Cheng Hong
发表时间：2020/1/31
论文链接：https://arxiv.org/abs/2002.00092v1
推荐原因
这篇论文考虑的是人群计数问题。
这篇论文提出了一个新的混合图神经网络（HyGnn）模型，通过将人群密度的多尺度特征及其辅助任务交织在一起。HyGnn集成了一个混合图，以将不同比例的特定于任务的特征图表示为节点，以及两种类型的关系作为边。这两种关系分别为：1、多尺度关系，用于捕获跨尺度的特征依赖关系；2、互利关系，为计数和本地化之间的合作搭建桥梁。通过消息传递，HyGnn可以提取节点之间的丰富关系以获得更强大的表示特征，从而获得可靠而准确的结果。HyGnn在ShanghaiTech Part A、ShanghaiTech Part B、UCF_CC_50和UCF_QNRF这四个具有挑战性的数据集上表现出色，超过了目前的最新方法。
使用卫星图像中的目标检测生成可解释的贫困地图
论文名称：Generating Interpretable Poverty Maps using Object Detection in Satellite Images
作者：Ayush Kumar /Uzkent Burak /Burke Marshall /Lobell David /Ermon Stefano
发表时间：2020/2/5
论文链接：https://arxiv.org/abs/2002.01612v1
推荐原因
这篇论文考虑的是使用卫星图像来预测贫穷地区的问题。
之前的研究中无法生成对政策制定者可解释的特征，限制了其应用。这篇论文提出了一个可解释的计算框架，通过在高分辨率卫星图像上进行目标检测，以准确预测区域级别的贫穷度。这个框架使用识别目标的加权计数作为特征，在预测乌干达的村级贫困程度时，模型比现有的基准方法提高了31％，并且有更好的解释性。
论文作者团队招募
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，希望以论文作为聚合 AI 学生青年的「兴趣点」，通过论文整理推荐、点评解读、代码复现。致力成为国内外前沿研究成果学习讨论和发表的聚集地，也让优秀科研得到更为广泛的传播和认可。
我们希望热爱学术的你，可以加入我们的论文作者团队。
加入论文作者团队你可以获得
1.署着你名字的文章，将你打造成最耀眼的学术明星
2.丰厚的稿酬
3.AI 名企内推、大会门票福利、独家周边纪念品等等等。
加入论文作者团队你需要：
1.将你喜欢的论文推荐给广大的研习社社友
2.撰写论文解读
如果你已经准备好加入 AI 研习社的论文兼职作者团队，可以添加运营小姐姐的微信，备注“论文兼职作者”