每日论文 | 用文本关系推理理解合成语言；针对皮肤病诊断的原型聚类网络；用卷积分类网络给灰度图像上色

1

Compositional Language Understanding with Text-based Relational Reasoning

用于自然语言推理的神经网络大多数都用来提取、基于事实的问答和常识推理。但是了解内容也很重要，其中神经网络可以进行关系推理并从自然语言中进行组合型生成。在这篇文章中，我们提出了一种新的基准数据集用于语言理解，与关系推理的性能区别开。我们同样还提出了一种神经信息传递的基准，证明这个模型比传统的循环神经网络方法在组合型生成上更好。

地址：https://arxiv.org/abs/1811.02959

2

Prototypical Clustering Networks for Dermatological Disease Diagnosis

我们将图像分类问题应用于皮肤病诊断上，这一任务有两大挑战，首先，数据分布通常是非常长尾的。第二，内部类别通常很多样化。针对第一个问题，我们将问题看作少次学习，一旦确定下来，基础分类器可以根据少量标记样本进行快速分类。针对第二个问题，我们提出了原型聚类网络（PCN），这是原型网络的扩展，可以学习多种类别的混合。

地址：https://arxiv.org/abs/1811.03066

3

ColorUNet: A convolutional classification approach to colorization

本文解决了灰度图像的着色问题。我们用深度卷积神经网络，从分类的角度用有限的颜色进行着色。我们证明了，用基于U-Net的轻型框架，经过大量风景图像的训练，可以达到令人满意的结果。我们还证明了，数据增强能明显提高模型性能和鲁棒性，并在视觉分析上有较高的预测置信度。

地址：https://arxiv.org/abs/1811.03120

星标论智，每天获取最新资讯