NIPS2018深度学习论文及代码集锦(含VAE LSTM等)

[1] DVAE#: Discrete Variational Autoencoders with Relaxed Boltzmann Priors

Arash Vahdat , Evgeny Andriyash , William G. Macready

Quadrant.ai, D-Wave Systems Inc.

https://papers.nips.cc/paper/7457-dvae-discrete-variational-autoencoders-with-relaxed-boltzmann-priors.pdf

在变分自编码(VAEs)中，波尔兹曼机分布在二值隐含变量中是一种有效的先验知识。但是，之前的一些训练离散变分自编码的方法利用的是证据下界，而不是紧致的重要性加权的界。

这篇文章提出两种方法将波尔兹曼机用于连续分布，并且保证训练时具有重要性加权的界。主要是利用泛化重叠变换和高斯积分技巧。

几种方法的效果对比如下

代码地址

https://github.com/QuadrantAI/dvae

---

              我是分割线

---

[2] Deep Attentive Tracking via Reciprocative Learning

Shi Pu, Yibing Song, Chao Ma, Honggang Zhang, Ming-Hsuan Yang

Beijing University of Posts and Telecommunications, Tencent AI Lab, Shanghai Jiao Tong University, University of California at Merced

https://papers.nips.cc/paper/7463-deep-attentive-tracking-via-reciprocative-learning.pdf

视觉注意力，来源于认知神经科学，可以帮助我们关注到目标数据的最相关的部分。近年来，很多学者都在尝试将注意力机制用于计算机视觉中。在视觉追踪中，如果目标物体的外观发生较大变化，对其进行追踪就具有一定的挑战性。注意力映射通过对时序鲁棒的特征加以选择性注意力，这样就有助于视觉追踪。

现有的基于检测的追踪方法主要利用额外的注意力模块