今日 Paper | COVID-19；深度興趣網絡；COVIDX-NET；場景文本遷移等

本文作者： AI研習社

2020-04-07 14:13

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。

針對COVID-19繪制人工智能應用的地圖

論文名稱：Mapping the Landscape of Artificial Intelligence Applications against COVID-19

作者：Bullock Joseph /Alexandra /Luccioni /Pham Katherine Hoffmann /Lam Cynthia Sin Nga /Luengo-Oroz Miguel

發表時間：2020/3/25

論文鏈接：https://paper.yanxishe.com/review/15405?from=leiphonecolumn_paperreview0407

推薦原因

這是一篇綜述論文，概述了最近在新冠病毒研究中使用的計算機和人工智能相關的技術應用。目前新冠病毒的研究重點包括追蹤病毒傳播、促進病毒檢測、開發疫苗、尋找新的治療方法、了解疫情的社會經濟影響等。人工智能技術在不同層次上有助于解決COVID-19危機，包括分子、醫學和流行病學應用，其中分子層面包括藥物挖掘等相關研究，醫療層面包括個體病人的診斷和治療，社會層面包括流行病學和信息醫學研究等。最后，這篇論文還討論了有潛力的未來研究方向及促進人工智能研究所需的工具和資源。

COVIDX-NET：一種用于診斷X射線圖像中COVID-19的深度學習分類器框架

論文名稱：COVIDX-Net: A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-Ray Images

作者：Hemdan Ezz El-Din /Shouman Marwa A. /Karar Mohamed Esmail

發表時間：2020/3/24

論文鏈接：https://paper.yanxishe.com/review/15404?from=leiphonecolumn_paperreview0407

推薦原因

這篇論文提出了一個名為COVIDX-Net的深度學習框架，以幫助放射科醫生自動診斷X射線圖像中的COVID-19。這篇論文在50例胸部X射線圖像上對7種不同的深度卷積神經網絡模型進行了驗證，包括VGG19、MobileNet等。基于80%-20％的訓練集-測試集劃分，這篇論文發現VGG19和DenseNet分類表現更好，f1分數分別為0.89和0.91。這只是一個初步的研究工作，隨著更多的開放數據集出現，還可以進行進一步的評估。

今日 Paper | COVID-19；深度興趣網絡；COVIDX-NET；場景文本遷移等

COVID-NET：一種用于從胸部X光圖像中檢測COVID-19病例的定制深度卷積神經網絡設計

論文名稱：COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest Radiography Images

作者：Wang Linda /Wong Alexander

發表時間：2020/3/22

論文鏈接：https://paper.yanxishe.com/review/15403?from=leiphonecolumn_paperreview0407

推薦原因

這篇論文開源了一個用于從胸部X射線圖像中檢測COVID-19病例而設計的深度卷積神經網絡，即COVID-Net。用于訓練COVID-Net的胸部放射線圖像數據集名為COVIDx，包含了來自兩個開放數據庫的2839例患者的5941個由后向前胸部放射線圖像。這篇論文還分析了COVID-Net如何使用可解釋性方法做出預測，以期深入了解與COVID病例相關的關鍵因素，從而可以幫助臨床醫生進行更好的篩查。開放的數據和代碼有助于進一步開發高精度和實用的深度學習解決方案，用于檢測COVID-19病例。

用于點擊率預測的深度興趣網絡

論文名稱：Deep Interest Network for Click-Through Rate Prediction

作者：Guorui Zhou

發表時間：2018/3/1

論文鏈接：https://paper.yanxishe.com/review/14663?from=leiphonecolumn_paperreview0407

推薦原因

本文的研究意義以及核心內容：

點擊率預估問題在工業領域中是一項很基本的任務，通常適用于廣告投放。為了解決廣告投放中的CTR任務，很多學者進行了這方面的相關研究，其中部分研究人員提出了采用深度學習的新模型，該模型遵循類似的Embedding+MLP范式。但是當我們采用這種模型，在實際應用中，發現存在著模型的特征映射被壓縮的問題，這對于CTR任務有著較大的影響，也不利于實際預測問題的解決。為了解決這一困境，作者基于前人的成果，提出了一種新穎的模型：深度興趣網絡（DIN），該模型通過構建本地激活單元，根據特定廣告的歷史行為，自適應地學習用戶行為最終進行用戶興趣的預測，除此之外，由于作者提出的DIN模型是用不同廣告來生成的向量，從而大大提高了該模型在實際工程中的應用。

CVPR 2020 | SwapText: 基于圖像的場景文本遷移

論文名稱：SwapText: Image Based Texts Transfer in Scenes

作者：Qiangpeng Yang /Hongsheng Jin /Jun Huang /Wei Lin

發表時間：2020/3/18

論文鏈接：https://paper.yanxishe.com/review/14595?from=leiphonecolumn_paperreview0407

推薦原因

本文出自阿里巴巴達摩院，已經被CVPR2020接收，文章主要解決的是圖像中的文本替換問題。

由于不同因素之間的復雜相互作用，在保留原始字體，顏色，大小和背景紋理的同時交換場景圖像中的文本是一項具有挑戰性的任務。為了解決這個問題，作者提出了SwapText，一個能夠在場景圖像之間遷移文本的三階段框架，首先通過文本交換網絡僅替換前景圖像中的文本，然后背景補全網絡重建背景圖像，最后融合網絡將前、背景圖像進行融合。文章方法即使在圖像具有嚴重幾何扭曲的情況下也能操縱輸入圖像的文本。作者最后對文章方法在幾個數據集上進行了定性和定量的分析，驗證了方法的有效性。