Cvpr 2017论文阅读（一）Machine Learning 1

本篇主要是Cvpr 2017论文阅读小结，将分成多个主题总结。
• Exclusivity-Consistency Regularized Multi-View Subspace Clustering
Xiaojie Guo, Xiaobo Wang, Zhen Lei, Changqing Zhang, Stan Z. Li
这篇是多view数据聚类
• Borrowing Treasures From the Wealthy: Deep Transfer Learning Through Selective Joint Fine-Tuning
Weifeng Ge, Yizhou Yu
迁移学习：目标任务有限的数据，从源任务的训练集中挑选出与目标任务具有相似底层特征的图片来训练。
难例挖掘：从目标任务中挑选出困难样本，从源任务的训练集挑选更多与源样本相似的来训练
• The More You Know: Using Knowledge Graphs for Image Classification
Kenneth Marino, Ruslan Salakhutdinov, Abhinav Gupta
使用知识图的图像分类。图的传播模型，类似于LSTM。
• Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs
Martin Simonovsky, Nikos Komodakis
[在卷积网络上加图模型]基于边权重生成滤波器的图CNN：很多数据没有很规整的空间关系，因此CNN的局部性不能直接使用。但是这些数据具有一定的空间关系，可以用图来表达。所以考虑做一个图的CNN。
构建一个图，每个节点有状态信息，t时刻节点j的状态信息从t-1时刻与j相邻的节点得到，采用的加权和，权值从边权重生成。
• Convolutional Neural Network Architecture for Geometric Matching
Ignacio Rocco, Relja Arandjelović, Josef Sivic
CNN几何匹配。做了个模拟经典匹配方法的CNN：1）特征提取，用两个CNN分别提取两张图的特征；2）根据相似性寻找潜在的对应点。这里用的是两个特征的内积，即，第B张图（i,j）位置的特征分别与第A张图所有位置的特征作内积。得到feature map，再做通道间的归一化，便于比较B图（i,j）与A图哪些位置比较相似；
3）估计模型参数。通过CNN回归估计模型参数。可以end to end 训练。模拟经典方法
这篇的设计方法值得学习啊
Deep Affordance-Grounded Sensorimotor Object Recognition
Spyridon Thermos, Georgios Th. Papadopoulos, Petros Daras, Gerasimos Potamianos
因果发现
• PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas
点网络：对于点集数据，不同于以往转成图像或者超体素的方法，本文是直接输入神经网络。主要解决了三个问题：1.无序。通过把点集看成序列输入RNN，同时训练的时候打乱顺序；通过构造不变性函数，用max pooling构造；2.不变性。直接学习一个坐标仿射变换矩阵；来自不同点云特征的对齐，直接学习特征仿射变换矩阵。3.全局和局部特征的聚合：提取完全局特征之后再和每个点的局部特征并到一起。这样每个点都有局部特征和全局特征。
• Universal Adversarial Perturbations
Seyed-Mohsen Moosavi-Dezfooli, Alhussein Fawzi, Omar Fawzi, Pascal Frossard
这篇文章是想找到一个小的扰动，使得CNN分类器分错。做了一个优化算法，每次更新。结果发现这样的扰动具有普适性。
• Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network (PDF, code)
Christian Ledig, Lucas Theis, Ferenc Huszár, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi
图像级别的超像素，用gan，把MSE loss换成了基于vgg特征的loss。