PaperWeekly
首发于PaperWeekly
2017年度最值得读的AI论文 | CV篇 · 评选结果公布

2017年度最值得读的AI论文 | CV篇 · 评选结果公布

2017 年,这些计算机视觉论文是你心中的最佳么?

历时九天,我们收到了近千份有效读者投票,2017 年度最值得读的 AI 论文评选也正式结束。

我们根据读者的投票情况,选出了自然语言处理和计算机视觉领域“2017 年最值得读的十大论文”。让我们一起来看看过去一整年,在 PaperWeekly 读者心中排名前十的计算机视觉论文都有哪些?还有给我们留言的读者,在表达对这十篇论文的喜爱之情时都说了些什么?

此外,小编也在所有留言中选出了自己最钟意的五条,还在所有成功参与投票的读者中随机抽取了 13 位,他们都将获得 PaperWeekly 精心准备的新年礼物。

■ 论文 | Mask R-CNN

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/CharlesShang

Mask R-CNN 是 ICCV 2017 的最佳论文。Faster R-CNN 用于目标检测,FCN 用于物体分割,概念基本深入人心。本文提出一个高效实体分割+目标检测+关键点检测框架,各任务之间并行实现,速率 5fps(在单 GPU 运行时间是 200ms/帧,使用 8 GPU 卡,在 COCO 数据集训练只需要 2 天时间),模型简洁,没有靠 trick 提升性能,网络框架主体就是 Faster R-CNN+FCN。

实体分割需要正确检测图片所有的物体并实现像素级分割。在论文之前的实现方式是分割之后做分类,而 Mask-RCNN 的检测和分割是并行出结果。该网络还很容易扩展到其他领域,像目标检测、分割和人物关键点检测等任务。

扩展阅读:

■ 论文 | Image-to-Image Translation with Conditional Adversarial Networks

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/phillipi/pix

将 GAN 的对抗 loss 引入有监督图像转换任务的经典之作。

原有的传统图像转换任务中 L1、L2 等人工设计的损失函数并不能产生令人满意的视觉效果,本文提出的 pix2pix 模型则借助了条件判别网络来充当一个隐式的损失函数,让它在与生成网络对抗的过程中超越人工设计的损失函数,取得良好的视觉效果。

本文提出的 PatchGAN 要求判别网络只对图像的一小块区域进行判别,专注捕捉高频信息,这也成为后续很多图像转换论文的常见做法。

■ 论文 | A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/xiaolonw/adv

遮挡和形变在物体检测中是很难的一类样本,而它们又具有长尾性,即使收集一个很大的数据集也很难涵盖不常见的情况。本文提出用 GAN 来生成遮挡和形变的样本,这是第一篇将 GAN 引入物体检测的文章。

这两类样本的生成都是在特征层面,而不是在图片层面。对于遮挡,作者采用一个 ASDN 网络,它的目标是对 ROI-pooling 的特征生成一个 mask,通过 mask 遮挡掉部分特征,以骗过分类器。

类似的,对于形变,通过 STN 网络在一定范围内生成一组旋转、缩放、平移的参数,再作用到特征上,使得分类器分错。而分类器的目标是尽可能地避免被这两类生成样本欺骗。

ASDN、ASTN 和 Fast-RCNN 可以联合训练,以避免在某些固定的生成模式下过拟合。实验表明,A-Fast-RCNN 在 VOC07 和 12 的数据上都有 2% 以上的 mAP 提升。

■ 论文 | Bayesian GAN

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/andrewgordon

本文将贝叶斯公式引入到做无监督和半监督学习的 GAN 模型中,采用哈密顿蒙特卡罗随机梯度算法优化生成器和判别器。作者指出,在不需要 feature matching 和 mini-batch discrimination 等 tricks 的情况下,能够取得不错的分类性能。

此外,Bayesian GAN 还能避免模式坍塌(mode collapse)。文章在 SVHN、CelebA 和 CIFAR-10 等数据集上取得了 state-of-the-art 的半监督分类效果。

■ 论文 | Interpretable R-CNN

■ 链接 | paperweekly.site/papers

■ 源码 | 暂无

本文使用 R-CNN 展示了一种学习定性可解释模型的方法。R-CNN 由一个区域建议网络和一个感兴趣区域预测网络(RoI,Region of interest)组成。通过使用可解释的模型,可在检测中(对任何部分都不使用监督的情况下)自动地、同步地学习展开目标实例的隐藏部分结构。

本文还提出了一种 AOG 解析算子来取代 R-CNN 中常用的 RoI 池化算子,因此该方法可以适用于很多基于卷积神经网络的顶尖目标检测系统。

在实验中,作者在 R-FCN 之上创建模型并在 PASCAL VOC 2007、 PASCAL VOC 2012 数据集上进行测试,最终的性能与目前最先进的方法具有可比性。

■ 论文 | Learning Feature Pyramids for Human Pose Estimation

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/bearpaw/Pyra

本文是香港中文大学王晓刚教授团队之作,目前在 MPII 官网 Single Person 领域,PCKh @ 0.5 evaluation measure,取得 state-of-the-art 水平。

论文在 Stacked Hourglass 基础上,提出 Pyramid Residual Module,金字塔残差模块,通过学习 DCNNs 中的特征金字塔来增强深度模型的尺度的不变性,而模型复杂度只有很小的增加。

本文针对具有多个输入或多个输出分支图层的 DCNNs 初始化问题,提出了有效的初始化方案,可用于 inception 和 ResNets 等模型。此外,本文还解决了由 identity mapping 引起的激活方差积累的问题。

扩展阅读:

■ 论文 | Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/junyanz/pyto

本文可能是 GAN 在 CV 领域最著名的应用案例。通过 Cycle Consistency 的思想,在不需要成对数据的条件下实现了无监督的图像转换。

如果说 pix2pix 的结果还在“嗯这样能 work 倒也可以想象”的范畴之内,那么 CycleGAN 带来的则是令人惊异的飞跃,因为它仅仅通过“保真”和“可逆”这两个间接性的要求,就能够让模型完成合乎人类预期的风格转换。

可能是由于 CycleGAN 的实验效果更为吸睛,其知名度和引用量都远超同时期的另外两个兄弟 DualGAN 和 DiscoGAN。

扩展阅读:

■ 论文 | High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/NVIDIA/pix2p

自从 LAPGAN 将“由粗到细、分阶段生成”的做法引入了 GAN 之后,很多论文都在沿着这个方向做,而英伟达这篇论文提出的 pix2pixHD 模型同样沿袭了上述思想,在有监督条件下做到了迄今为止最好的高分辨率(2048 x 1024)视觉效果。

此外,本文还将他们的方法扩展到交互式 semantic manipulation,这对于传统的 rendering photo-realistic images 是一个颠覆性的工作。

扩展阅读:

■ 论文 | Triple Generative Adversarial Nets

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/zhenxuan00/t

从博弈角度来说,TripleGAN 的博弈涉及三方,判别器、生成器和分类器。其中,判别器和生成器有对抗;判别器和分类器(在训练前期)有对抗;生成器和分类器有协助作用。

可以从斗地主的角度来看,判别器是地主,生成器和分类器是农民。拆掉分类器,它就是一个 CGAN。拆掉生成器,它就是一个半监督的 GAN。

此外,我们还能从对偶学习的角度进行解读,生成器对 p(x|y) 进行建模,而分类器则对 p(y|x) 建模。两者在判别器的统筹下达成 p(x,y) 的一致性,这是很漂亮的对偶思想。可以说这篇文章对三方博弈的设计非常巧妙。

■ 论文 | Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

■ 链接 | paperweekly.site/papers

■ 源码 | github.com/ZheC/Realtim

本文发表于 CVPR 2017,首次提出了基于深度学习的实时多人二维姿态估计。本文最大的亮点在于其融合了 CPM 和 PAF 的级联 cascade 形网络结构。

本文算法主要流程如下:输入一幅图像,经过卷积网络提取特征,得到一组特征图,然后分成两个岔路,分别使用 CNN 网络提取 Part Confidence Maps 和 Part Affinity Fields ,得到这两个信息后,再使用图论中的 Bipartite Matching 将同一个人的关节点连接起来得到最终的结果。

点击查看自然语言处理榜单:

2017年度最值得读的AI论文 | NLP篇 · 评选结果公布

读者留言精选

@silver:投了三篇 paper,但是看见要求说最喜欢的论文的原因,最喜欢的是 IRGAN,上交和伦敦大学的那篇,对于 GAN 的应用让我耳目一新,尤其是在推荐系统上的应用,是我以前从未想过的,为了深入理解这篇 paper,还读了他们之前的工作,在 AAAI2017 上的 SeqGAN,一个完整连贯的工作体系,对于离散型数据在 GAN 的应用,以及优化设计上提供了思路,对于强化学习的应用也是让我获益匪浅,也在这个工作领域给我带来了很多新思路,非常感谢,也非常喜欢。

@朱昊:Selective Attention 那篇现在已经成为了做 Distant Supervision 的 Relation Extraction 必须比较的 baseline。把 attention 的方法用在 bag level 上对标注打分是一种非常有意思的思想。

@Bruce Pan:Convolutional Sequence to Sequence Learning 把 CNN 运用到 seq2seq 任务中,利用了 CNN 并行计算的优势,还有详细介绍了各种 Trick。 顺便也为 Attention Is All You Need 打 call,两篇我都很喜欢。

@empty:在噪声数据上利用强化学习进行关系分类,对这篇印象深刻,当时听了这个 talk 受益匪浅,作者把强化学习用到关系抽取上。还有 KBQA 那篇,对这个领域进行了一些介绍。在这里立个 flag,2018 年要把候选 paper 都看一遍。

@Shunzhou Wang:Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 效果很赞,估姿态很准,从 CPM 到 Real time 2D 再到 openpose,一系列的工作都喜欢,喜欢笔记本和行李牌,求抽中!

我是彩蛋

解锁新姿势:用微信刷论文!

PaperWeekly小程序上线啦

今日arXiv√猜你喜欢√热门资源√

随时紧跟最新最热论文

解锁方式

1. 扫描下方小程序码打开小程序

2. 用PaperWeekly社区账号进行登陆

3. 登陆后即可解锁所有功能

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。

微信公众号:PaperWeekly

新浪微博:@PaperWeekly

文章被以下专栏收录

    PaperWeekly是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。