今日 Paper | COVID-19感染者筛查；生成式摘要；图像融合数据集；端到端脸部分析等

本文作者： AI研习社

2020-02-20 16:35

导语：为了更好地服务广大 AI 青年，AI 研习社正式推出全新「论文」版块。

这篇论文提出根据呼吸特征对新型冠状病毒的患者进行筛查。最新临床研究，COVID-19的呼吸模式与流感和普通感冒的呼吸模式不同。感染COVID-19的人有呼吸暂停现象，并且呼吸更快。这篇论文提出使用深度相机和深度学习来完成这项筛查任务，然而现实世界中的数据量不足以进行深度模型训练。这篇论文首先提出了一种新的呼吸模拟模型，来弥补训练数据不足的问题。随后这篇论文首次利用双向注意力机制的GRU模型来对6种临床上重要的呼吸模式进行分类。这篇论文提出的方法可以拓展到大型的应用场景中，对现有的筛查方法形成补充。

基于单句和双句打分的生成式摘要

论文名称：Scoring Sentence Singletons and Pairs for Abstractive Summarization

作者：Logan Lebanoff /Kaiqiang Song†

发表时间：2019/6/7

论文链接：https://paper.yanxishe.com/review/11534?from=leiphonecolumn_paperreview0220

1.本文的核心：本文是对于采用生成式自动文本摘要方法的探索，重点研究了关于生成式中目前探究的将文本内容选择和摘要生成分开处理的问题。其中本论文提出的模型，第一部分采用BERT给单句和句子对评分，第二部分作者根据MMR准则进行评分，选择出评分高的句子和句子对，从而生成文本摘要。

2.本文的创新点：基于生成式中目前探究的将文本内容选择和摘要生成分开处理的问题，本文创新性的提出了一种用来将单句和成对句子映射到一个统一的空间进行排序的思想，采用当下最火爆的BERT模型来学习实例的特征，将学到的表征用一个分类任务来fine-tune生成对应的概率进行排序，然后根据这个排序，有针对性的选择出摘要中有重要价值的单句和成对句子，最后通过对单个句子压缩，其中在句子对融合时，作者选择pointer-generator(PG)networks来将单句压缩，最终得到我们需要的文本摘要。

3.本文的研究意义：本文针对当下生成式文本摘要中单句和句子对之间尚未形成有效的融合问题，有针对性的提出了一种在文本摘要中关于句子对融合的方法。其中，本文提出的将句子融合引入到了文本摘要中，这是这方面最有意义的尝试。

MFFW：一种新的多聚焦图像融合数据集

论文名称：MFFW: A new dataset for multi-focus image fusion

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

发表时间：2020/2/12

论文链接：https://paper.yanxishe.com/review/11536?from=leiphonecolumn_paperreview0220

这篇论文为多焦点图像融合问题提供了一个新的数据集。

以往的多焦点图像融合方法都是在模拟图像集或Lytro数据集上评估的，然而散焦散布效应在这些数据集中并不明显。这篇论文构建了一个名为MFFW的新数据集。该数据集包含在互联网上收集的19对多焦点图像。这篇论文收集所有成对源图像，并提供部分成对的聚焦图和参考图像。与Lytro数据集相比，MFFW中的图像明显受到散焦散布效果影响。此外，MFFW场景更加复杂。实验表明，MFFW数据集上的大多数当前最佳方法都无法可靠地生成令人满意的融合图像。作为一个新的基准数据集，MFFW可以用来测试多焦点图像融合算法是否能处理散焦散布效应。

基于互连卷积神经网络的端到端脸部分析

论文名称：End-to-End Face Parsing via Interlinked Convolutional Neural Networks

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

发表时间：2020/2/12

论文链接：https://paper.yanxishe.com/review/11535?from=leiphonecolumn_paperreview0220

这篇论文要解决的是脸部分析的问题。

脸部分析需要对脸部（例如眼，鼻，嘴等）进行精确的像素分割，为进一步实现脸部分析、修改、其他应用程序提供基础。这篇论文提出了一个名为STN-iCNN的简单的端到端人脸解析框架，该框架通过在两个独立阶段间添加一个空间Transformer网络（Spatial Transformer Network，STN）来扩展互连卷积神经网络（interlinked Convolutional Neural Network，iCNN）。STN-iCNN使用STN来提供到原始两级iCNN管道的可训练连接，从而使端到端联合训练成为可能。STN还提供了比原始裁切更精确的裁切图像部分。

AAAI2020|基于多任务驱动特征模型的热红外目标跟踪

论文名称：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

发表时间：2019/11/26

论文链接：https://paper.yanxishe.com/review/5848?from=leiphonecolumn_paperreview0220

推荐原因

解决的核心问题：当前基于深度特征的热红外跟踪方法普遍使用的是可见光跟踪器中用到的特征模型。这些特征模型通常学习自可见光图像，既没有学习热红红外图像特有的判别性模式，又没有考虑热红外图像目标的细粒度特征。因此，已存的这些特征模型不能有效的表示热红外目标，尤其是难以区分同类的热红外目标。

创新点：为了获得更有效的热红外目标表示，我们提出了一个热红外专用的特征模型。该模型由一个热红外专用的鉴别性特征和一个细粒度关联的特征模型组成。为了集成这两种互补的特征，我们设计了一个基于多任务匹配的框架同时优化他们。此外，我们构建了一个大规模的热红外图像序列数据集用于训练提出的模型。该数据集是当前热红外视觉领域规模最大的，目标类别最为丰富的数据集。

研究意义：提出的热红外特征模型为热红外目标跟踪领域提供了新的研究思路。提出的热红外训练数据集为基于深度学习的热红外跟踪方法提供了数据基石。