AMiner会议论文推荐第四十三期

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。

CVPR 2021 论文推荐

GST: Group-Sparse Training for Accelerating Deep Reinforcement Learning

论文链接：https://www.aminer.cn/pub/600fed1791e011256c956029/?conf=cvpr2021

推荐理由： 深度强化学习(Deep reinforcement learning，DRL)在顺序决策问题上取得了显著的成功。为解决训练时间过长的问题，目前已提出了许多并行和分布式的DRL训练方法，但在资源有限的设备上很难利用这些方法。为加速现实世界边缘设备中的DRL，必须解决重量级事务导致的内存带宽瓶颈。然而，以往的迭代修剪在训练初期表现出较低的压缩比、使DRL训练不稳定。为克服上述缺点，作者提出了一种新型的DRL训练加速的权重压缩方法，命名为组稀疏训练（group-sparse training ，GST）。GST有选择地利用块-圆环压缩，在DRL训练的所有迭代过程中保持较高的权重压缩比，并通过奖励感知修剪动态调整目标稀疏度，以实现稳定训练。

MetaSCI: Scalable and Adaptive Reconstruction for Video Compressive Sensing

论文链接：https://www.aminer.cn/pub/603f77c291e011cacfbda4b0/?conf=cvpr2021

推荐理由： 为使用二维探测器采集高速视频，视频快照压缩成像（snapshot compressive imaging, SCI）是一个很有前景的系统。其中，视频帧被不同的掩码编码，然后压缩到快照测量。在利用高效的算法来重建高速帧中，最先进的结果是由深度学习网络实现的。然而，这些网络通常是针对特定的小规模掩码进行训练，对训练时间和GPU内存有很高的要求。在本文中，作者开发了一个用于SCI重建的Meta调制卷积网络（MetaSCI）来解决这些挑战，MetaSCI由不同掩模的共享骨干以及轻量级的元调制参数组成，能够进化到每个掩模的不同调制参数，从而具有快速适新掩模（或系统）的特性。广泛的模拟和真实数据结果证明了该方法的优越性能。

Training Generative Adversarial Networks in One Stage

论文链接：https://www.aminer.cn/pub/603e15d391e01129ef28fcbb/?conf=cvpr2021

推荐理由： 生成式对抗网络(Generative Adversarial Networks，GANs)在各种图像生成任务中都取得了前所未有的成功。然而，这些令人鼓舞的结果往往以繁琐的训练过程为代价的，其中的生成器和判别器要分两个阶段交替更新。在本文中，作者研究了一种通用的训练方案，该方案可以只在一个阶段内高效地训练GANs。根据生成器和判别器的对抗性损失，该工作将GANs分为对称GANs和非对称GANs两类，并引入一种新型的梯度分解方法将两者统一起来，使其能够在一个阶段内训练这两类GANs，从而减轻训练工作量。在多个数据集和不同网络架构上的计算分析和实验结果表明，无论生成器和判别器的网络架构如何，作者所提出的单阶段训练方案都比传统训练方案有较大的加速。此外，该方法很容易适用于其他对抗式训练场景，例如无数据知识提炼。

AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/

#AMiner# #论文#