今日 Paper | 弱监督目标的定位；递归残差卷积神经网络；嵌套U-Net结构；超强小目标检测等

本文作者： AI研习社

2020-03-13 15:31

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。

重新思考通往弱监督目标的定位

论文名称：Rethinkingthe Route Towards Weakly SupervisedObject Localization

作者：Chen-Lin Zhang

发表时间：2020/3/3

论文链接：https://paper.yanxishe.com/review/13532?from=leiphonecolumn_paperreview0313

推荐原因

本文为2020CVPR的文章。针对目前弱监督目标定位方法的问题，本论文提出了伪监督目标定位方法(PSOL)来解决当下研究的困境。作者分别从定位和分类两方面来搭建伪监督目标定位的网络，接着在训练集上使用Deep descriptor transformation(DDT)生成伪GT进行训练，整体效果达到SOTA。

该论文主要有三点贡献：

一、提出了伪监督目标定位PSOL算法；

二、通过实验验证，该算法在不同数据集上不需要fine-tuning也能有很好的定位迁移能力。

今日 Paper | 弱监督目标的定位；递归残差卷积神经网络；嵌套U-Net结构；超强小目标检测等

基于U-Net（R2U-Net）的递归残差卷积神经网络在医学图像分割中的应用

论文名称：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.

发表时间：2018/2/20

论文链接：https://paper.yanxishe.com/review/13551?from=leiphonecolumn_paperreview0313

推荐原因

本文作者提出了一种基于U-Net的递归卷积神经网络（RCNN）和一种基于U-Net模型的递归残差卷积神经网络（RRCNN），分别称为RU-Net和R2U-Net。提出的模型利用了U-Net，残差网络和RCNN。首先，残差单元在训练深度架构时会有所帮助。其次，具有递归残差卷积层的特征对分割任务具有更好的特征表示。第三，它使我们能够设计出具有相同数量网络参数的更好U-Net架构，并具有更好的医学图像分割性能。

UNet++: 一种医学图像分割的嵌套U-Net结构

论文名称：UNet++: A Nested U-Net Architecture for Medical Image Segmentation

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

发表时间：2018/7/18

论文链接：https://paper.yanxishe.com/review/13550?from=leiphonecolumn_paperreview0313

推荐原因

文章是2018年在MICCAI中发表的UNet++，对Unet改进的点主要是skip connection。作者认为skip connection 直接将unet中encoder的浅层特征与decoder的深层特征结合是不妥当的，会产生semantic gap。整篇文章的一个假设就是，当所结合的浅层特征与深层特征是semantically similar时，网络的优化问题就会更简单，因此文章对skip connection的改进就是想bridge/reduce 这个semantic gap。

使用基于双谱的深度卷积神经网络对非线性时间序列进行分类

论文名称：Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks

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

发表时间：2020/3/4

论文链接：https://paper.yanxishe.com/review/13522?from=leiphonecolumn_paperreview0313

推荐原因

1 核心问题：

在时间序列的分析上，学术界已经拥有丰富的研究基础和历史，由于假设基本过程为线性，绝大多数现有的方法只依赖于时间序列的一阶和二阶属性。然而，非线性数据在现实世界却普遍存在，针对此种情况，本文主要解决了对非线性时间序列分类的问题。

2 创新点：

此前，并没有使用高阶频谱分析（HOSA）对商业和工业的时间序列数据进行统计分类的相关研究。本文主要提出一种将高阶频谱分析（HOSA）和深度神经网络（DCNN）结合起来，对非线性时间序列进行分类的方法。同时，还利用了贝叶斯神经网络，对非线性时间序列数据进行不确定性度量。在实验部分，本文（1）实现了谷歌趋势数据的分类（2）实现了基于用电耗费量对家庭电器的分类。

3 研究意义：

面对非线性时间序列的现有有效分类方法的不足，以及非线性时间序列数据在现实生活中普遍存在的事实，本文提出了一种非线性时间序列分类的方法。此方法（1）有利于不确定度量（2）可以容纳高维数据结构，避免进行高耗费的蒙特卡洛马尔可夫链的计算（3）实现了特征提取的变体，此变体可以通过识别用来确定类别概率的关键频率来进行推理。