每日论文 | CV中深度学习涉及到的几何和不确定性；用深度学习分析气象；可自动调整模拟器参数的模型

1

Geometry and Uncertainty in Deep Learning for Computer Vision

这是博士生Alex Kendall的毕业论文，文章涵盖的内容很广，包括语义分割、实例分割、深度预测、定位、立体场景和视频场景理解等计算机视觉问题所需的深度学习框架，但这些端到端的框架通常需要大量训练数据，并且不易解释。为了解决这个问题，作者提出了两点看法：第一，无需从零学习，就可以了解有关现实世界的信息。第二，我们无法从数据中学到所有信息，模型应该知道它们在做什么。这篇论文就从几何学和不确定性的角度探索了这两个观点。

地址：https://alexgkendall.com/computer_vision/phd_thesis/

2

Exascale Deep Learning for Climate Analytics

我们用Tiramisu和DeepLabv3+神经网络的变体提取了极端天气像素级的掩码状态，并改善了软件框架、输入过程和网络训练算法，有效地对气象进行大规模分析。

地址：https://arxiv.org/abs/1810.01993

3

Learning to Simulate

模拟是机器学习模型训练数据时的有用工具，在这篇文章中，我们提出了一种际遇强化学习的方法，可以自动调整任意模拟器的参数，从而控制合成数据的分布，让训练后的模型精确度最大化。

地址：https://arxiv.org/abs/1810.02513