每日论文|单眼3D对象检测的正交特征变换；CRNN音源分离；何凯明：ImageNet预训练未必那么好

Orthographic Feature Transform for Monocular 3D Object Detection

基于单眼图像进行3D对象检测是一项极具挑战性的工作，因为现有系统基本完全依赖单眼图像的视角，其中物体的形状和大小都可能有比较大的变形，深度和距离也不易推测。剑桥大学的Thomas Roddick等提出了一种基于端到端深度学习模型的正交特征变换，将图像特征映射至3D空间。这项工作在KITTI 3D对象评测上取得了当前最优的表现。

地址：https://arxiv.org/abs/1811.08188

---

Low Latency Sound Source Separation Using Convolutional
Recurrent Neural Networks

芬兰坦佩雷理工大学和助听器生产商Oticon研发中心Eriksholm合作，研究如何基于卷积循环神经网络分离音源。研究人员Gaurav Naithani等结合了卷积层和LSTM层，在低延迟（< 10ms）、可用训练数据相对较小的条件下，表现超过前馈深度神经网络和LSTM网络。这一方法的动机是使用卷积层学习输入的时频表示的时空结构，使用LSTM层利用长时上下文。

地址：http://www.cs.tut.fi/~tuomasv/papers/PID4978439.pdf

---

Rethinking ImageNet Pre-training

FAIR何凯明最新翻案，计算机视觉领域习以为常的做法，深度迁移学习的经典例子，ImageNet预训练怕是没有大家想象的那么好。ImageNet还是有用的，可以加速收敛，但是除非目标任务的数据十分匮乏，你别指望它提升表现，或者防止过拟合。想要提升表现，老老实实标注图像才是王道。

地址：https://arxiv.org/abs/1811.08883