今日 Paper | CausalML；隐式函数；慢动作视频重建；交叉图卷积网络等

本文作者： AI研习社

2020-03-18 15:08

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。

今日 Paper | CausalML；隐式函数；慢动作视频重建；交叉图卷积网络等

CausalML：用于因果机器学习的Python包

论文名称：CausalML: Python Package for Causal Machine Learning

作者： Huigang Chen*

发表时间：2020/3/2

论文链接：https://paper.yanxishe.com/review/14227?from=leiphonecolumn_paperreview0318

推荐原因

本文主要内容：

本文提出了一种新的机器学习算法包——CausalML，这是一种采用ython语言编写而成用于解决因果推理（causalinference）与机器学习（machine learning）任务的算法，并且已经封装成型，提供了API接口供学习者使用。对于CausalML包的使用用途，作者从三方面进行介绍，分别为定位优化（Targeting Optimization）、因果影响分析（Causal Impact Analysis）以及模型的个性化（Personalization）。此外作者也对后续的研究提出了自己的观点。总之，本文适合于刚入机器学习方向的同学学习研究。

用于3D重建和形状补全的特征空间中的隐式函数

论文名称：Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion

作者： Julian Chibane /Thiemo Alldieck /Gerard Pons-Moll

发表时间：2020/3/3

论文链接：https://paper.yanxishe.com/review/13186?from=leiphonecolumn_paperreview0318

推荐原因

这篇文章被CVPR2020接收！文章主要考虑从各种各样的3D输入来进行3D重建和形状补全的工作，能够处理低和高分辨率体素、稀疏和稠密电云、完整或不完整的数据等等。

作者通过神经网络从输入数据提取基于三维张量表达的多尺度特征，并将该张量与嵌入原始形状的欧式空间进行对齐，然后从张量提取的深层特征进行分类。实验表明文章提出的模型根据全局和局部形状结构做出决策，能够得到更准确的重建结果。文章的方法能够提供连续的输出，可以处理多种拓扑，可以从缺失或者稀疏的输入数据生成完整的形状，并且可以重建3D人体并保留表面细节。

基于混合成像系统的慢动作视频重建

论文名称：Deep Slow Motion Video Reconstruction with Hybrid Imaging System

作者： Avinash Paliwal /Nima Khademi Kalantari

发表时间：2020/2/27

论文链接：https://paper.yanxishe.com/review/12733?from=leiphonecolumn_paperreview0318

推荐原因

慢动作视频在近些年来变得越来越流行，但以极高的帧率捕获高分辨率视频需要专业的高速相机，对于普通消费者或者摄影爱好者比较难实现。文章提出了一种重建高分辨率慢动作视频的方法。

当前的慢动作视频生成方法大多是通过线性插帧来实现，对于运动较小的简单情况能够得到不错的结果，但是对于稍微复杂的情况，结果就变得很差，会得到不自然的结果。文章将两个视频流作为输入来解决这一问题，除了低帧率高分辨率的主视频，还提供一个高帧率低分辨率的辅助视频来提供时序信息。作者提出了一个由对齐和外观估计组成的两阶段深度学习系统，来从混合视频输入中重建高分辨率慢动作视频。作者使用合成的混合视频数据集训练了网络，并搭建了一个简单的双摄装置，来验证文章方法的表现。

交叉图卷积网络（Cross-GCN）：使用k顺序特征交互来增强图卷积网络

论文名称：Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions

作者： Fuli Feng /Xiangnan He /Hanwang Zhang /Tat-Seng Chua

发表时间：2020/3/5

论文链接：https://paper.yanxishe.com/review/13480?from=leiphonecolumn_paperreview0318

推荐原因

1 核心问题：

在过往的研究中，图卷积网络（GCN）显示了强大的表示能力，在推荐系统和相关文档分类中取得了亮眼的效果。本文主要解决了传统的图卷积网络放弃建模交叉特征的问题。

2 创新点：

本文提出了一个交叉特征图卷积运算符，此运算符提供了一个新的特征转换模块，该模块以任意顺序编码交叉特征，并且具有依据特征维数和顺序大小的线性复杂度。接着，在此运算符的基础上，本文提出了一个新的基于图学习的方法。

3 研究意义：

过往的图卷积网络放弃了对图交叉特征的建模，这影响了图卷积网络在交叉特征相对重要的数据集上取得的效果和效率。本文提出的Cross-GCN在交叉特征的建模上具有实用性，特别是在低层上的特征提取上。同时，Cross-GCN在低维稀疏数据集上取得了更大的效果提升。

选择核网络

论文名称：Selective Kernel Network

作者： Xiang Li；Wenhai Wang；Xiaolin Hu；Jian Yang

发表时间：2019/5/16

论文链接：https://paper.yanxishe.com/review/13537?from=leiphonecolumn_paperreview0318

推荐原因

在神经科学界，视皮层神经元的感受野大小受刺激的调节，即对不同刺激，卷积核的大小应该不同，但这在构建CNN时一般在同一层只采用一种卷积核，很少考虑多个卷积核的作用。文中提出了一种在CNN中对卷积核的动态选择机制，该机制允许每个神经元根据输入信息的多尺度自适应地调整其感受野（卷积核）的大小。设计了一个称为选择性内核单元（SK）的构建块，其中，多个具有不同内核大小的分支在这些分支中的信息引导下，使用SoftMax进行融合。由多个SK单元组成SKNet，SKNet中的神经元能够捕获不同尺度的目标物体。