今日 Paper | 弱監督目標的定位；遞歸殘差卷積神經網絡；嵌套U-Net結構；超強小目標檢測等

本文作者： AI研習社

2020-03-13 15:31

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。

重新思考通往弱監督目標的定位

論文名稱：Rethinkingthe Route Towards Weakly SupervisedObject Localization

作者：Chen-Lin Zhang

發表時間：2020/3/3

論文鏈接：https://paper.yanxishe.com/review/13532?from=leiphonecolumn_paperreview0313

推薦原因

本文為2020CVPR的文章。針對目前弱監督目標定位方法的問題，本論文提出了偽監督目標定位方法(PSOL)來解決當下研究的困境。作者分別從定位和分類兩方面來搭建偽監督目標定位的網絡，接著在訓練集上使用Deep descriptor transformation(DDT)生成偽GT進行訓練，整體效果達到SOTA。

該論文主要有三點貢獻：

一、提出了偽監督目標定位PSOL算法；

二、通過實驗驗證，該算法在不同數據集上不需要fine-tuning也能有很好的定位遷移能力。

今日 Paper | 弱監督目標的定位；遞歸殘差卷積神經網絡；嵌套U-Net結構；超強小目標檢測等

基于U-Net（R2U-Net）的遞歸殘差卷積神經網絡在醫學圖像分割中的應用

論文名稱：Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

作者：Alom Md Zahangir /Hasan Mahmudul /Yakopcic Chris /Taha Tarek M. /Asari Vijayan K.

發表時間：2018/2/20

論文鏈接：https://paper.yanxishe.com/review/13551?from=leiphonecolumn_paperreview0313

推薦原因

本文作者提出了一種基于U-Net的遞歸卷積神經網絡（RCNN）和一種基于U-Net模型的遞歸殘差卷積神經網絡（RRCNN），分別稱為RU-Net和R2U-Net。提出的模型利用了U-Net，殘差網絡和RCNN。首先，殘差單元在訓練深度架構時會有所幫助。其次，具有遞歸殘差卷積層的特征對分割任務具有更好的特征表示。第三，它使我們能夠設計出具有相同數量網絡參數的更好U-Net架構，并具有更好的醫學圖像分割性能。

UNet++: 一種醫學圖像分割的嵌套U-Net結構

論文名稱：UNet++: A Nested U-Net Architecture for Medical Image Segmentation

作者：Zongwei Zhou / Md Mahfuzur Rahman Siddiquee / Nima Tajbakhsh / Jianming Liang

發表時間：2018/7/18

論文鏈接：https://paper.yanxishe.com/review/13550?from=leiphonecolumn_paperreview0313

推薦原因

文章是2018年在MICCAI中發表的UNet++，對Unet改進的點主要是skip connection。作者認為skip connection 直接將unet中encoder的淺層特征與decoder的深層特征結合是不妥當的，會產生semantic gap。整篇文章的一個假設就是，當所結合的淺層特征與深層特征是semantically similar時，網絡的優化問題就會更簡單，因此文章對skip connection的改進就是想bridge/reduce 這個semantic gap。

使用基于雙譜的深度卷積神經網絡對非線性時間序列進行分類

論文名稱：Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks

作者：Paul A. Parker /Scott H. Holan /Nalini Ravishanker

發表時間：2020/3/4

論文鏈接：https://paper.yanxishe.com/review/13522?from=leiphonecolumn_paperreview0313

推薦原因

1 核心問題：

在時間序列的分析上，學術界已經擁有豐富的研究基礎和歷史，由于假設基本過程為線性，絕大多數現有的方法只依賴于時間序列的一階和二階屬性。然而，非線性數據在現實世界卻普遍存在，針對此種情況，本文主要解決了對非線性時間序列分類的問題。

2 創新點：

此前，并沒有使用高階頻譜分析（HOSA）對商業和工業的時間序列數據進行統計分類的相關研究。本文主要提出一種將高階頻譜分析（HOSA）和深度神經網絡（DCNN）結合起來，對非線性時間序列進行分類的方法。同時，還利用了貝葉斯神經網絡，對非線性時間序列數據進行不確定性度量。在實驗部分，本文（1）實現了谷歌趨勢數據的分類（2）實現了基于用電耗費量對家庭電器的分類。

3 研究意義：

面對非線性時間序列的現有有效分類方法的不足，以及非線性時間序列數據在現實生活中普遍存在的事實，本文提出了一種非線性時間序列分類的方法。此方法（1）有利于不確定度量（2）可以容納高維數據結構，避免進行高耗費的蒙特卡洛馬爾可夫鏈的計算（3）實現了特征提取的變體，此變體可以通過識別用來確定類別概率的關鍵頻率來進行推理。