今日 Paper | CVPR 2020 论文推荐:元转移学习;ABCNet;动态图像检索;点云分类框架等

2020 年 3 月 25 日 AI科技评论

  目录

12-in-1: 多任务视觉和语言表示学习

CVPR 2020 | 用于零样本超分辨率的元转移学习

CVPR 2020 | ABCNet:基于自适应Bezier-Curve网络的实时场景文本定位

CVPR 2020 | Sketch Less for More:基于细粒度草图的动态图像检索

CVPR 2020 | PointAugment:一种自动增强的点云分类框架

  12-in-1: 多任务视觉和语言表示学习

论文名称:12-in-1: Multi-Task Vision and Language Representation Learning

作者:Jiasen Lu

发表时间:2019/12/11

论文链接:https://arxiv.org/pdf/1912.02315.pdf

推荐原因

本文研究意义:

当下AI模型的实验数据集都是小而多样的,这对于后续模型的训练都会造成很大的影响,在此背景下,本文介绍了一项新颖的数据调度方法——多任务模型,以帮助避免过度训练或训练不足。为了验证该方法是否可行,作者分别在12个视觉和语言数据集上进行了实验,结果表明,使用这种方法后,我们的单一多任务模型优于12个单一任务模型,这一新方法也为后续的研究带来了新潮流。

  CVPR 2020 | 用于零样本超分辨率的元转移学习

论文名称:Meta-Transfer Learning for Zero-Shot Super-Resolution

作者:Soh Jae Woong /Cho Sunwoo /Cho Nam Ik

发表时间:2020/2/27

论文链接:https://arxiv.org/abs/2002.12213

推荐原因

这篇论文被CVPR 2020接收,考虑的是零样本超分辨率的问题。

以往的零样本超分辨率方法需要数千次梯度更新,推理时间长。这篇论文提出用于零样本超分辨率的元转移学习。基于找到适合内部学习的通用初始参数,所提方法可以利用外部和内部信息,一次梯度更新就可以产生相当可观的结果,因此能快速适应给定的图像条件,并且应用于大范围图像。

  CVPR 2020 | ABCNet:基于自适应Bezier-Curve网络的实时场景文本定位

论文名称:ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network

作者:Liu Yuliang /Chen Hao /Shen Chunhua /He Tong /Jin Lianwen /Wang Liangwei

发表时间:2020/2/24

论文链接:https://arxiv.org/abs/2002.10200

推荐原因

这篇论文被CVPR 2020接收,考虑的是场景文本检测和识别的问题。

现有方法基于字符或基于分段,要么在字符标注上成本很高,要么需要维护复杂的工作流,都不适用于实时应用程序。这篇论文提出了自适应贝塞尔曲线网络(Adaptive Bezier-Curve Network ,ABCNet),包括三个方面的创新:1)首次通过参数化的贝塞尔曲线自适应拟合任意形状文本;2)设计新的BezierAlign层,用于提取具有任意形状的文本样本的准确卷积特征,与以前方法相比显著提高精度;3)与标准图形框检测相比,所提贝塞尔曲线检测引入的计算开销可忽略不计,从而使该方法在效率和准确性上均具优势。对任意形状的基准数据集Total-Text和CTW1500进行的实验表明,ABCNet达到当前最佳的准确性,同时显著提高了速度,特别是在Total-Text上,ABCNet的实时版本比当前最佳方法快10倍以上,且在识别精度上极具竞争力。

  Sketch Less for More:基于细粒度草图的动态图像检索

论文名称:Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval

作者:Bhunia Ayan Kumar /Yang Yongxin /Hospedales Timothy M. /Xiang Tao /Song Yi-Zhe

发表时间:2020/2/24

论文链接:https://arxiv.org/abs/2002.10310

推荐原因

这篇论文被CVPR 2020接收,考虑的是基于草图的细粒度图像检索,即在给定用户查询草图的情况下检索特定照片样本的问题。

绘制草图花费时间,且大多数人都难以绘制完整而忠实的草图。为此这篇论文重新设计了检索框架以应对这个挑战,目标是以最少笔触数检索到目标照片。这篇论文还提出一种基于强化学习的跨模态检索框架,一旦用户开始绘制,便会立即开始检索。此外,这篇论文还提出一种新的奖励方案,该方案规避了与无关的笔画笔触相关的问题,从而在检索过程中为模型提供更一致的等级列表。在两个公开可用的细粒度草图检索数据集上的实验表明,这篇论文所提方法比当前最佳方法具有更高的早期检索效率。

  CVPR 2020 | PointAugment:一种自动增强的点云分类框架

论文名称:PointAugment: an Auto-Augmentation Framework for Point Cloud Classification

作者:Li Ruihui /Li Xianzhi /Heng Pheng-Ann /Fu Chi-Wing

发表时间:2020/2/25

论文链接:https://arxiv.org/abs/2002.10876

推荐原因

这篇论文被CVPR 2020接收,要解决的是点云分类的问题。

这篇论文提出了一个名为PointAugment的点云分类框架,当训练分类网络时,该框架会自动优化和扩充点云样本以丰富数据多样性。与现有的2D图像自动增强方法不同,PointAugment具有样本感知功能,并采用对抗学习策略来共同优化增强器网络和分类网络,学习生成最适合分类器的增强样本。PointAugment根据形状分类器和点位移来构造可学习的点增强函数,并根据分类器的学习进度精心设计损失函数以采用增强样本。PointAugment在改善形状分类和检索中的有效性和鲁棒性得到了实验的验证。

登录查看更多
2

相关内容

CVPR is the premier annual computer vision event comprising the main conference and several co-located workshops and short courses. With its high quality and low cost, it provides an exceptional value for students, academics and industry researchers. CVPR 2020 will take place at The Washington State Convention Center in Seattle, WA, from June 16 to June 20, 2020. http://cvpr2020.thecvf.com/
专知会员服务
108+阅读 · 2020年6月26日
抢鲜看!13篇CVPR2020论文链接/开源代码/解读
专知会员服务
49+阅读 · 2020年2月26日
近期必读的7篇 CVPR 2019【视觉问答】相关论文和代码
专知会员服务
33+阅读 · 2020年1月10日
近期必读的9篇 CVPR 2019【视觉目标跟踪】相关论文和代码
Arxiv
3+阅读 · 2019年3月15日
Arxiv
8+阅读 · 2018年5月24日
Arxiv
19+阅读 · 2018年3月28日
Arxiv
11+阅读 · 2018年1月28日
Arxiv
13+阅读 · 2017年12月5日
VIP会员
相关VIP内容
相关论文
Arxiv
3+阅读 · 2019年3月15日
Arxiv
8+阅读 · 2018年5月24日
Arxiv
19+阅读 · 2018年3月28日
Arxiv
11+阅读 · 2018年1月28日
Arxiv
13+阅读 · 2017年12月5日
Top
微信扫码咨询专知VIP会员