RAN: Radical analysis networks for zero-shot learning of Chinese characters
- 2017年11月
-
- 中科大
用于汉字识别(其特点就是汉字太多但基础结构大约只有500个);提出基础结构分析网络(Radical Analysis Networks,RAN);网络结构是CNN编码器+RNN解码器;是一种zero-shot learning
Attentional Pooling for Action Recognition
- 2017年11月
-
- 卡内基梅隆大学
用于行为识别和人对象交互任务(human object interaction tasks);rink-pooling;双线性的低秩pooling方法(用于细粒度分类)
A Fully Convolutional Tri-branch Network (FCTN) for Domain Adaptation
- 2017年11月
- 领域自适应,语义分割;
- 洛杉机南加州大学
用于城市场景分割的领域适应方法;提出fully convolutional tri-branch network (FCTN),是FCN,其中两个分支将伪标签分配给未标记的目标域中的图像,而第三分支在基于伪标签目标域中的图像的监督下训练。重新贴标签和重新训练过程交替。
三分支网络逐步学习目标特定的判别式表示,在synthetic (GTA) and real (Cityscapes) images数据集上进行实验,实验结果表明分段器的跨域能力提高。
MicroExpNet: An Extremely Small and Fast Model For Expression Recognition From Frontal Face Images
- 2017年11月
- 轻量化的网络;用于面部表情识别
- 中东工业大学【土耳其】
为正面人脸图像中的面部表情识别(FER)问题创建极小的快速卷积神经网络(CNN)。
网络结构超简单(比lenet还简单)。
我们表明,对于FER,翻译不变性(通过最大池层来实现)会降低性能,特别是当网络较小时;使用知识蒸馏方法(Student-Teacher)可以用来获得极度压缩的CNN。
实验在两个常用的FER数据集CK+和Oulu-CASIA上。
有代码!
MegDet: A Large Mini-Batch Object Detector
- 2017年11月
- 加速训练的算法
- 北大,face++
用于物体检测任务,主要研究的是加速训练,提高 batch size 来实现目标检测。
最近基于CNN的对象检测工作的改进主要来自新网络或框架或损失设计。但是,小批量训练的关键因素还没有得到很好的研究。
在本文中,我们提出了一种大型小批量物体检测器(MegDet),可以实现比以前更大的小批量(例如从16到256)的训练,以便我们可以有效地利用多个GPU(高达128英寸我们的实验)显着缩短训练时间。
从技术上讲,我们建议采用学习率策略和跨GPU批量标准化,这些技术一起使我们能够在更短的时间内(例如从33小时到4小时)成功培训大型小批量检测器,并获得更高的精度。
Face Attention Network: An Effective Face Detector for the Occluded Faces
- 2017年11月
- 用于遮挡人脸的人脸检测;Face Attention Network (FAN)
- 北航;face++
实验在WiderFace和MAFA上。
网络结构简单,使用resnet作为基础网络,并用skip得到feature金字塔,最后用接着cls-reg-attention subnet。
Feature Agglomeration Networks for Single Stage Face Detection
- 2017年12月
- 就是基于特征金字塔网络(FPN),结合提出的concat模块和分层loss
- 新加坡管理大学;浙大;DeepIR(深图智服)
实时地人脸检测。
we construct our FAN architecture using a new Agglomerative Connection module and further propose a Hierarchical Loss to effectively train the FAN model.
The Enhanced Hybrid MobileNet
- 2017年12月
- 增强混合mobilenet;无价值
- 台湾师范大学
其实就是,mobilenet的分离卷积模块的channel数,变多或变少,然后做实验比较一下,实际数据占了大部分内容。
Symbol detection in online handwritten graphics using Faster R-CNN
- 2017年12月
- 手写图形中的符号检测(流程图、数学表达式等)
- 圣保罗大学【美】
在线手写图形(例如图表和数学表达式)中的符号检测技术由专门为单一图形类型设计的方法组成。
论文以faster-RCNN作为检测手写图形中符号的一般方法。评估该网络使用不同配置,并指出与数据的手写本质有关的问题。
在公开可用的流程图和数学表达式(CROHME-2016)数据集上评估方法。结果显示,flowchart和CROHME-2016数据集都可以有效地使用faster-RCNN。