今日 Paper | COVID-19感染者篩查；生成式摘要；圖像融合數據集；端到端臉部分析等

本文作者： AI研習社

2020-02-20 16:35

導語：為了更好地服務廣大 AI 青年，AI 研習社正式推出全新「論文」版塊。

這篇論文提出根據呼吸特征對新型冠狀病毒的患者進行篩查。最新臨床研究，COVID-19的呼吸模式與流感和普通感冒的呼吸模式不同。感染COVID-19的人有呼吸暫停現象，并且呼吸更快。這篇論文提出使用深度相機和深度學習來完成這項篩查任務，然而現實世界中的數據量不足以進行深度模型訓練。這篇論文首先提出了一種新的呼吸模擬模型，來彌補訓練數據不足的問題。隨后這篇論文首次利用雙向注意力機制的GRU模型來對6種臨床上重要的呼吸模式進行分類。這篇論文提出的方法可以拓展到大型的應用場景中，對現有的篩查方法形成補充。

基于單句和雙句打分的生成式摘要

論文名稱：Scoring Sentence Singletons and Pairs for Abstractive Summarization

作者：Logan Lebanoff /Kaiqiang Song?

發表時間：2019/6/7

論文鏈接：https://paper.yanxishe.com/review/11534?from=leiphonecolumn_paperreview0220

1.本文的核心：本文是對于采用生成式自動文本摘要方法的探索，重點研究了關于生成式中目前探究的將文本內容選擇和摘要生成分開處理的問題。其中本論文提出的模型，第一部分采用BERT給單句和句子對評分，第二部分作者根據MMR準則進行評分，選擇出評分高的句子和句子對，從而生成文本摘要。

2.本文的創新點：基于生成式中目前探究的將文本內容選擇和摘要生成分開處理的問題，本文創新性的提出了一種用來將單句和成對句子映射到一個統一的空間進行排序的思想，采用當下最火爆的BERT模型來學習實例的特征，將學到的表征用一個分類任務來fine-tune生成對應的概率進行排序，然后根據這個排序，有針對性的選擇出摘要中有重要價值的單句和成對句子，最后通過對單個句子壓縮，其中在句子對融合時，作者選擇pointer-generator(PG)networks來將單句壓縮，最終得到我們需要的文本摘要。

3.本文的研究意義：本文針對當下生成式文本摘要中單句和句子對之間尚未形成有效的融合問題，有針對性的提出了一種在文本摘要中關于句子對融合的方法。其中，本文提出的將句子融合引入到了文本摘要中，這是這方面最有意義的嘗試。

MFFW：一種新的多聚焦圖像融合數據集

論文名稱：MFFW: A new dataset for multi-focus image fusion

作者：Xu Shuang /Wei Xiaoli /Zhang Chunxia /Liu Junmin /Zhang Jiangshe

發表時間：2020/2/12

論文鏈接：https://paper.yanxishe.com/review/11536?from=leiphonecolumn_paperreview0220

這篇論文為多焦點圖像融合問題提供了一個新的數據集。

以往的多焦點圖像融合方法都是在模擬圖像集或Lytro數據集上評估的，然而散焦散布效應在這些數據集中并不明顯。這篇論文構建了一個名為MFFW的新數據集。該數據集包含在互聯網上收集的19對多焦點圖像。這篇論文收集所有成對源圖像，并提供部分成對的聚焦圖和參考圖像。與Lytro數據集相比，MFFW中的圖像明顯受到散焦散布效果影響。此外，MFFW場景更加復雜。實驗表明，MFFW數據集上的大多數當前最佳方法都無法可靠地生成令人滿意的融合圖像。作為一個新的基準數據集，MFFW可以用來測試多焦點圖像融合算法是否能處理散焦散布效應。

基于互連卷積神經網絡的端到端臉部分析

論文名稱：End-to-End Face Parsing via Interlinked Convolutional Neural Networks

作者：Yin Zi /Yiu Valentin /Hu Xiaolin /Tang Liang

發表時間：2020/2/12

論文鏈接：https://paper.yanxishe.com/review/11535?from=leiphonecolumn_paperreview0220

這篇論文要解決的是臉部分析的問題。

臉部分析需要對臉部（例如眼，鼻，嘴等）進行精確的像素分割，為進一步實現臉部分析、修改、其他應用程序提供基礎。這篇論文提出了一個名為STN-iCNN的簡單的端到端人臉解析框架，該框架通過在兩個獨立階段間添加一個空間Transformer網絡（Spatial Transformer Network，STN）來擴展互連卷積神經網絡（interlinked Convolutional Neural Network，iCNN）。STN-iCNN使用STN來提供到原始兩級iCNN管道的可訓練連接，從而使端到端聯合訓練成為可能。STN還提供了比原始裁切更精確的裁切圖像部分。

AAAI2020|基于多任務驅動特征模型的熱紅外目標跟蹤

論文名稱：Multi-Task Driven Feature Models for Thermal Infrared Tracking

作者：Qiao Liu /Xin Li /Zhenyu He /Nana Fan /Di Yuan /Wei Liu /Yonsheng Liang

發表時間：2019/11/26

論文鏈接：https://paper.yanxishe.com/review/5848?from=leiphonecolumn_paperreview0220

推薦原因

解決的核心問題：當前基于深度特征的熱紅外跟蹤方法普遍使用的是可見光跟蹤器中用到的特征模型。這些特征模型通常學習自可見光圖像，既沒有學習熱紅紅外圖像特有的判別性模式，又沒有考慮熱紅外圖像目標的細粒度特征。因此，已存的這些特征模型不能有效的表示熱紅外目標，尤其是難以區分同類的熱紅外目標。

創新點：為了獲得更有效的熱紅外目標表示，我們提出了一個熱紅外專用的特征模型。該模型由一個熱紅外專用的鑒別性特征和一個細粒度關聯的特征模型組成。為了集成這兩種互補的特征，我們設計了一個基于多任務匹配的框架同時優化他們。此外，我們構建了一個大規模的熱紅外圖像序列數據集用于訓練提出的模型。該數據集是當前熱紅外視覺領域規模最大的，目標類別最為豐富的數據集。

研究意義：提出的熱紅外特征模型為熱紅外目標跟蹤領域提供了新的研究思路。提出的熱紅外訓練數據集為基于深度學習的熱紅外跟蹤方法提供了數據基石。