opencv3和qt5计算机视觉应用开发pdf_NeurIPS 2019：计算机视觉论文回顾

作者：Maria Dobko

编译：ronghuaiyang

导读

这是2019年12月9日至14日在温哥华举行的NeurIPS 2019的概述(笔记)。这篇文章中提到的所有论文都是在计算机视觉领域。

NIPS 2019上的一些论文回顾

会议网站：https://neurips.cc/

论文全集：https://papers.nips.cc/book/advances-in-neural-information-processing-systems-32-2019

这是2019年12月9日至14日在温哥华举行的NeurIPS 2019的概述(笔记)。超过13000名参与者。两天的研讨会，一天的辅导课和三天的主要会议。在这篇文章中，我会简要地描述了一些论文，它们引起了我的注意。这篇文章中提到的所有论文都是在计算机视觉领域，这是我的研究领域。

神经网络可视化的全梯度表示

Suraj Srinivas, François Fleuret

论文链接：https://papers.nips.cc/paper/8666-full-gradient-presentation-for-neural-networkvisualiz.pdf

探索输入部分的重要性如何被显著性映射捕获。研究表明，任何神经网络的输出都可以分解为输入梯度项和神经元梯度项。他们证明了在卷积网络中聚合这些梯度映射可以改善显著性映射。论文提出了FullGrad显著性，它结合了输入梯度和特征级偏差梯度，因此，满足两个重要概念：局部(模型对输入的敏感性)和全局(显著性图的完整性)。

扰动生成模型中目标分割的出现 Emergence of Object Segmentation in Perturbed Generative Models

Adam Bielski, Paolo Favaro

论文链接：https://arxiv.org/pdf/1905.12663.pdf

提出了一种不需要人工标注就能从一组图像中学习目标分割的框架。其主要思想是建立在这样的观察之上：相对于给定的背景，物体的位置可以被局部扰动，而不影响场景的真实感。训练生成模型，生成分层图像表示：背景，掩模，前景。作者使用小的随机移位来暴露无效的分割。他们用两个生成器训练StyleGAN，用蒙版分别作为背景和前景。它经过训练，使具有移位前景的合成图像呈现出有效的场景。在生成的掩码上还有两个损失项，以促进二值化并且帮助最小掩码的收敛，这两个项都添加到WGAN-GP生成器损失中。他们还训练了编码器与固定的生成器，以获得分