arxiv每周速报第一期

感觉每天看文章还是很有帮助的，arXiv上的Computer Vision and Pattern Recognition每天都有文章更新。我每周会找几篇文章分享给大家（主要是语义分割和目标检测这一块的），既培养自己读文章的兴趣，也可以和大家多交流。这算是第一周更新。

1.Deep Person Re-Identification with Improved Embedding

我之前在一家做图像监控的公司实习过，当时给我的方向是做person Re-ID，所以也算有点了解。

本篇文章主要的贡献在于提出了一个新的CNN模型，首先是在loss函数中放了两个loss函数：identification loss和center loss（这个我之间做人脸识别时好像用过），从而无需构建图像对或三元组作为输入，从而提高训练效率。其次是提出了一个新的特征重新加权层（FRW）用于强调每个嵌入维度的重要性，从而改进嵌入以提高性能。

其中Batch normalization被用在每个卷积层和全连接层后面来加速训练。

2.Affne-Gradient Based Local Binary Pattern Descriptor for Texture Classiffication

本文主要的贡献在于：1.我们提出基于仿射-梯度方法的特征描述。仿射-梯度拥有欧式梯度所没有的一些性质。2.提出了一种确定局部参考方向的改进方法，以达到旋转不变性。这种方法计算迅速且对旋转变换有效。3.提出了一个简单而有效的特征选择方法并同时考虑了样本的分布和训练数据的类内方差。
实验结果表明，提出的特征选择方法不仅提高了特征的分辨能力（也就是和其他特征间的区分度），还有效地减少特征描述符的维数。

3.Pixel Deconvolutional Networks

本文主要是对传统的反卷积层进行修改，利用输入feature map来生成新的中间feature map，在根据之前所有的中间feature map生成下一个中间feature map，依次生成所有的中间feature map，最后在混合合并成输出的feature map。反卷积层已被广泛用于各种深模型作为上采样操作，包括无监督学习的语义分割和深编码-解码网络生成模型。反卷积的限制之一的是它们产生所谓的棋盘问题。之所以会产生这个问题主要是因为生成的输出feature map的相邻像素之间不存在直接的关系。为了解决这个问题，我们提出了像素反卷积层（pixeldcl）在上采样的feature map上建立相邻像素间的直接关系。我们的方法是基于一个新的解释正则反卷积操作。由此产生的pixeldcl可以通过插入原始框架用来取代任何反卷积层且不损害原模型的表达能力。该pixeldcl可能导致计算速度有下降，但这可以通过一些trick克服。语义分割实验结果表明，pixeldcl考虑了空间特征如边缘和形状，比传统的反卷积层得到更准确的分割输出。使用在生成任务时，我们的pixeldcl可以在很大程度上克服传统卷积操作所产生的棋盘问题。