NIPS2018深度学习论文及代码集锦(含论文集推荐)

最新推荐文章于 2024-02-06 14:40:57 发布

frank_hetest

最新推荐文章于 2024-02-06 14:40:57 发布

阅读量367

点赞数

本文链接：https://blog.csdn.net/hestendelin/article/details/101546745

版权

[1] Large Margin Deep Networks for Classification

Gamaleldin F. Elsayed, Dilip Krishnan, Hossein Mobahi, Kevin Regan , Samy Bengio

Google Research

https://papers.nips.cc/paper/7364-large-margin-deep-networks-for-classification.pdf

这篇论文提出利用深度学习来产生大间隔分类器。间隔，即最小化决策边界的最小距离，可以成功用于分类和回归任务中。但是，大部分大间隔算法适用于特征表示事先设计好的浅层模型，传统的神经网络中的间隔方法只能使得输出层的间隔较大。因此，这些方法不适合深层网络。

这篇文章提出一种新的损失函数，这种损失函数可以作用于深层网络中的任意一层的间隔，其中包含输入层和隐含层。这种方法中，度量间隔时可以选择任意阶（大于等于1）的范数。

大间隔示例如下

640?wx_fmt=png

代码地址

https://github.com/google-research/google-research/tree/master/large_margin

我是分割线

[2] DropMax: Adaptive Variational Softmax

Hae Beom Lee, Juho Lee, Saehoon Kim , Eunho Yang, Sung Ju Hwang

KAIST , AItrics2 , University of Oxford

https://papers.nips.cc/paper/7371-dropmax-adaptive-variational-softmax.pdf

这篇文章提出了DropMax，这种方法是对softmax分类器的一种随机化版本，在每次迭代中都对每个样本对应的自适应dropout概率丢弃掉非目标类别。在类别输出概率中，加入二值掩变量，这些变量是通过变分推理得到的，并且依赖于输入样本自适应学习得到的。这种随机化正则法方便基于具有不同决策面的很多分类器来构建组合分类器。另外，对于非目标列别，在每个样本中dropout率的学习使得分类器更加集中在更难分的类别上。

Concepts示例如下

640?wx_fmt=png

这篇文章的主要贡献有以下三点

640?wx_fmt=png

模型结构示例如下

640?wx_fmt=png

几种方法的效果对比如下

640?wx_fmt=png

其中sparsemax对应的论文为

From Softmax to Sparsemax: A Sparse Model of Attention and Multi-Label Classification, ICML 2016

代码地址

https://github.com/gokceneraslan/SparseMax.torch

sampled softmax对应的论文为

On Using Very Large Target Vocabulary for Neural Machine Translation, ACL 2015

不同情况的收敛对比如下

640?wx_fmt=png

代码地址

https://github.com/haebeom-lee/dropmax

我是分割线

[3] FD-GAN: Pose-guided Feature Distilling GAN for Robust Person Re-identification

Yixiao Ge, Zhuowan Li, Haiyu Zhao, Guojun Yin, Shuai Yi, Xiaogang Wang, Hongsheng Li

The Chinese University of Hong Kong, SenseTime Research, Johns Hopkins University, University of Science and Technology of China

https://papers.nips.cc/paper/7398-fd-gan-pose-guided-feature-distilling-gan-for-robust-person-re-identification.pdf

这篇文章提出一种特征精炼的GAN，FD-GAN，用于学习身份相关的和姿势无关的特征表示。这种框架基于姿势和身份特性在多个判别器中学到的Siamese结构。除了判别器之外，还集成了一种新的同姿势的损失函数，这种损失函数要求同一个人生成的图像是相似的。学到姿势无关的特征之后，测试时不需要辅助的姿势信息，也不需要额外的计算损耗。

FD-GAN结构示例如下

640?wx_fmt=png