IJCAI 2020 | 近期必读的卷积神经网络精选论文

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层。这一结构使得卷积神经网络能够利用输入数据的二维结构。

目前，卷积神经网络已经成为了各类计算机视觉模型中不可缺少的一部分，使用它已经成为了自然而然的习惯，而并非大的创新点，但是对网络结构的巧妙设计和修改，仍然可以在各类任务上取得意想不到的突破，因此，研究者们依然对卷积神经网络给予了高度的关注。

根据AMiner-IJCAI 2020词云图，我们发现表征学习、图神经网络、深度强化学习、深度神经网络、卷积神经网络等都是今年比较火的Topic，受到了很多人的关注。今天我们给大家分享的是IJCAI 2020五篇必读的卷积神经网络（Convolutional Neural Network）相关论文。

1.论文名称：Convolutional Neural Networks with Compression Complexity Pooling for Out-of-Distribution Image Detection

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772101?
conf=ijcai2020

简介：为了基于已经部署的卷积神经网络可靠地检测出分布失调的图像，最近对分布失调检测的一些研究尝试在不重新训练模型的情况下定义有效的置信度得分。尽管它们显示出令人鼓舞的结果，但大多数人都需要通过使用一些失配图像来找到最佳的超参数值，这些图像最终会采用特定的测试分布，因此对于实际应用不太实用。在这项工作中，我们提出了一种新的失配检测方法，称为MALCOM，它既不使用任何失配样本，也不会重新训练模型。受全球平均池无法捕获卷积神经网络中特征图的空间信息的观察启发，我们的方法旨在从特征图中提取信息性顺序模式。为此，我们引入一个相似性度量，该度量基于标准化的压缩距离，重点关注两个序列之间的共享模式。简而言之，MALCOM既使用全局平均图，又使用特征图的空间模式来准确识别分布不正确的图像

2.论文名称：Discrete Biorthogonal Wavelet Transform Based Convolutional Neural Network for Atrial Fibrillation Diagnosis from Electrocardiogram

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772230?conf=ijcai2020

简介：对于从心电图（ECG）早期检测房颤（AF）的问题，由于跨受试者的ECG形态变化很大以及ECG中的噪声，很难从ECG信号中捕获受试者不变的鉴别特征。在本文中，我们提出了一种基于离散双正交小波变换（DBWT）的卷积神经网络（CNN）用于AF检测，简称为DBWT-AFNet。在DBWT-AFNet中，DBWT不是将心电图直接馈入CNN，而是用于将心跳频带中的子信号与ECG分开，后者的输出馈送到CNN进行AF诊断。这样的子信号比原始ECG更好地进行了主题不变的CNN表示学习，因为与人类节拍无关的嘈杂信息已被大量过滤掉。为了增强CNN在ECG中发现主题不变模式的泛化能力，利用跳过连接在神经网络中很好地传播信息，并设计频道注意力以自适应地突出信息性的频道级特征。实验表明，所提出的DBWT-AFNet优于最新方法，尤其是针对不同受试者的心电图细分分类，其中没有从测试受试者获得数据来训练

3.论文名称：Learning Regional Attention Convolutional Neural Network for Motion Intention Recognition Based on EEG Data

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27720a4?conf=ijcai2020

简介：最近基于深度学习的脑机接口（BCI）解码算法主要关注时空特征，而未能明确探索频谱信息，这是BCI最重要的线索之一。在本文中，我们提出了一种新颖的区域注意力卷积神经网络（RACNN），以充分利用频谱时空特征进行脑电运动意图识别。基于时频的分析被用来揭示主要感觉运动的神经振荡方面的频谱时间特征。 RACNN的基本思想是自适应地识别初级感觉运动的激活区域。 RACNN将由主干卷积神经网络产生的各种频谱时间特征聚合为紧凑的固定长度表示形式。受神经科学发现的启发，即大脑半球的功能不对称，我们提出了一种区域偏向性丢失的方法，以鼓励对最关键区域的注意力集中。对两个基准数据集和实际BCI数据集的广泛评估表明，我们的方法明显优于以前的方法

4.论文名称：Joint Multi-view 2D Convolutional Neural Networks for 3D Object Classification

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772131?conf=ijcai2020

简介：三维（3D）对象分类广泛涉及各种计算机视觉应用程序，例如自动驾驶，同时定位和地图绘制，这引起了委员会的广泛关注。然而，通过直接采用3D卷积神经网络（CNN）来解决3D对象分类通常遭受高计算成本的困扰。此外，现有的基于视图的方法无法更好地探索视图之间的内容关系。为此，这项工作提出了一种新颖的多视图框架，该方法通过以端到端的方式联合使用多个2D-CNN来捕获具有关系的判别信息以及一种新的多视图损失融合策略。具体来说，我们利用一个3D对象的多个2D视图作为输入，并通过特定于视图的2D-CNN和一系列模块（外部产品，视图对池，1D卷积）整合每个视图的视图内和视图间信息，以及完全连接的转换）。此外，我们设计了一种新颖的视图集成机制，该机制选择了几个具有区别性和信息性的视图，以共同推断3D对象的类别。大量实验表明，所提出的方法在3D对象分类方面能够胜过当前的最新方法。更重要的是，这项工作从充分利用完善的2D-CNN的角度出发，提供了一种改进3D对象分类的新方法。

5.论文名称：Predicting Landslides Using Locally Aligned Convolutional Neural Networks

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721a1?conf=ijcai2020
简介：滑坡，重力作用下的土壤和岩石运动是常见现象，每年都会造成重大的人身和经济损失。专家使用诸如坡度，高程，土地覆盖，岩性，岩石年龄和岩石族等异质性特征来预测滑坡。为了使用这些功能，我们改编了卷积神经网络以考虑用于预测任务的相对空间信息。这些网络中的传统滤波器具有固定的方向或旋转不变。从直觉上讲，过滤器应定向上坡，但是没有足够的数据来学习上坡的概念。相反，它可以作为先验知识提供。我们提出了一个称为局部对准卷积神经网络，LACNN的模型，该模型以多个比例跟踪地面，以预测单个点可能发生的滑坡。为了验证我们的方法，我们创建了一个由异质特征作为输入组成的标准化地理参考图像数据集，并使用对数似然误差和Receiver Operating将我们的方法与几个基线进行了比较，包括线性回归，神经网络和卷积网络。测试装置上的特性曲线。与其他建议的基准相比，我们的模型在准确性方面提高了2-7％，在对数可能性方面提高了2-15％

更多IJCAI2020论文，可以关注公众号或者链接直达IJCAI2020专题，最前沿的研究方向和最全面的论文数据等你来~

---

扫码查看更多IJCAI 2020论文

添加“小脉”微信，留言“IJCAI”，即可加入【IJCAI2020会议交流群】，与更多论文作者学习交流！