今日 Paper | 缩放神经网络；形变的LSTM；知识图谱复杂问答；阴影着色等

目录

ZoomNet：用于3D对象检测的部分感知自适应缩放神经网络

ForecastNet：一种用于多步超前时间序列预测的时变深度前馈神经网络结构

形变的LSTM

基于消息传递的知识图谱复杂问答

基于深度学习的手绘草图阴影着色

ZoomNet：用于3D对象检测的部分感知自适应缩放神经网络

论文名称：ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection

作者：Xu Zhenbo /Zhang Wei /Ye Xiaoqing /Tan Xiao /Yang Wei /Wen Shilei /Ding Errui /Meng Ajin /Huang Liusheng

发表时间：2020/3/1

论文链接：https://arxiv.org/abs/2003.00529v1

推荐原因

这是百度发表在AAAI 2020上的工作，用于估计远处和被遮挡物体的3D姿势检测问题。

这篇论文提出了一个名为ZoomNet的新型框架，用于对3D立体图像进行对象检测任务。ZoomNet首先使用一个普通的2D对象检测模型，获取成对左右边界框。然后为了进一步利用RGB图像中丰富的纹理信息来进行更准确的视差估计，ZoomNet使用了一个模块-自适应缩放块，同时将2D实例边框的大小调整为统一的分辨率，并相应地调整了相机的固有参数。同时，这篇论文还提出学习局部位置信息来进一步提升模型性能，并提出了一个3D拟合评分以更好地估计3D检测模型的质量。在KITTI 3D检测数据集上进行的实验表明ZoomNet大大超出了所有先前的最新方法。

ForecastNet：一种用于多步超前时间序列预测的时变深度前馈神经网络结构

论文名称：ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting

作者：Dabrowski Joel Janek /Zhang YiFan /Rahman Ashfaqur

发表时间：2020/2/11

论文链接：https://arxiv.org/abs/2002.04155

推荐原因

这篇论文考虑的是时间序列预测的问题。

深度学习中的循环和卷积神经网络已经被用于时间序列预测，然而这些网络通过在时间或空间上重复使用固定参数的一组不变结构来共享参数，使得整个体系结构是时域不变的，降低了执行多步提前预测的能力。这篇论文提出了ForecastNet，使用深度前馈体系结构来提供时变模型。ForecastNet中还使用了交错输出，有助于缓解逐渐消失的梯度。实验证明ForecastNet在多个数据集上的表现优于统计和深度学习基准模型。

形变的LSTM

论文名称：MOGRIFIER LSTM

作者：Gábor Melis /Tomáš Kociský /Phil Blunsom

发表时间：2020/1/29

论文链接：https://arxiv.org/pdf/1909.01792.pdf

推荐原因

核心问题：先进的神经网络模型的应用是自然语言理解（NaturalLanguage Processing）的众多任务取得先进性进展的根本原因。但是现有的神经网络模型仍然不完美，比如存在泛化能力和语言建模能力不强等诸多问题。

创新点：针对于在自然语言理解中最常使用的神经网络模型是LongShort-Term Memory（LSTM），本论文对其进行了改进，提出了形变的LSTM，通过引入额外的门控运算，使得输入x和状态hprw在输入到LSTM之前进行多轮交互计算，最终使得输入和上下文之间具有更加丰富的交互表示。

研究意义：这种改进并不复杂，但是这种简单的修改确在语言模型上取得了显著的效果。

基于消息传递的知识图谱复杂问答

论文名称：Message Passing for Complex Question Answering over Knowledge Graphs

作者：Svitlana Vakulenko /Javier David Fernandez Garcia /Axel Polleres /Maarten de Rijke /Michael Cochez

发表时间：2019/8/19

论文链接：https://arxiv.org/pdf/1908.06917

推荐原因

许多 KGQA 系统只能回答简单问题（依赖一个三元组、单跳），为此本文提出 QAmp 模型，能够回答复杂问题（融合多个三元组、多跳），在 LC-QuAD 数据集取得 SOTA 结果。

文章值得借鉴的地方有：对问句模式的定义 q=；Message passing 中的矩阵代数运算；不考虑知识图谱中关系的方向等。

该工作使用了新的数据集 LC-QuAD 进行知识图谱上复杂问答的研究，结合了图神经网络的思想，对进一步的研究具有借鉴意义。

基于深度学习的手绘草图阴影着色

论文名称：Learning to Shade Hand-drawn Sketches

作者：Qingyuan Zheng /Zhuoru Li /Adam Bargteil

发表时间：2020/2/26

论文链接：https://arxiv.org/abs/2002.11812

推荐原因

手绘草图是一种比较流行的艺术创作，随着深度学习的火热，有学者研究给草图着色、将草图迁移为彩色图片、从草图进行三维建模等等。本文提出了一种给草图添加阴影使其3D视觉效果的方法。

文章提出了一种全自动的方法，通过在深度学习网络的潜空间中构建3D模型并渲染生成阴影，可以在给定的光照方向下为线描草图生成详细准确的艺术阴影。作者还提供了一个新的数据集，包含一千个标记了光照方向的成对的草图和阴影。文章生成的阴影可以传递出草图场景的基础3D结构，可以直接使用或者作为艺术家的绝佳起点。