目錄
CVPR 2020 | Social-STGCNN：一種用於行人軌跡預測的社會時空圖卷積神經網絡
CVPR 2020 | 基於有偏訓練的無偏場景圖生成
CVPR 2020 | 面向深度人臉識別的通用表徵學習
CVPR 2020 | 使用多個攝像機的實時多人運動捕捉的4D關聯圖
CVPR 2020 | 一種基於U-Net的生成性對抗網絡判別器
CVPR 2020 | Social-STGCNN：一種用於行人軌跡預測的社會時空圖卷積神經網絡
論文名稱：Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction
作者：Mohamed Abduallah /Qian Kun /Elhoseiny Mohamed /Claudel Christian
發表時間：2020/2/27
論文鏈接：https://arxiv.org/abs/2002.11927?from=leiphonecolumn_paperreview0323
推薦原因
這篇論文被CVPR 2020接收，考慮的是行人軌跡預測的問題。
行人軌跡不僅受行人本身影響，還與周圍物體的相互作用有關。這篇論文提出了社會時空圖卷積神經網絡（Social Spatio-Temporal Graph Convolutional Neural Network，Social-STGCNN），將行人與周圍物體的交互行為建模為圖模型，並通過一個核函數將行人之間的社交互動嵌入鄰接矩陣中。實驗結果表明，與先前方法相比，Social-STGCNN的最終位移誤差較現有技術提高了20％，參數減少了8.5倍，而推理速度提高了48倍。
CVPR 2020 | 基於有偏訓練的無偏場景圖生成
論文名稱：Unbiased Scene Graph Generation from Biased Training
作者：Tang Kaihua /Niu Yulei /Huang Jianqiang /Shi Jiaxin /Zhang Hanwang
發表時間：2020/2/27
論文鏈接：https://arxiv.org/abs/2002.11949?from=leiphonecolumn_paperreview0323
推薦原因
這篇論文被CVPR 2020接收，要解決的是場景圖生成的問題。
已有的場景圖生成容易受有訓練偏見的問題，例如將海灘上人類的步行、坐、躺等多樣行為類型籠統分為海灘上的人類。這篇論文提出了一種新的基於因果推理的場景圖生成的框架。首先建立因果圖，然後使用該圖進行傳統的有偏訓練，接著從訓練圖上得出反事實因果關係，以從不良偏置中推斷出影響並將其消除。場景生成基準集Visual Genome上的實驗表明這篇論文所提的方法與以前的最佳方法相比有顯著改進。
CVPR 2020 | 面向深度人臉識別的通用表徵學習
論文名稱：Towards Universal Representation Learning for Deep Face Recognition
作者：Shi Yichun /Yu Xiang /Sohn Kihyuk /Chandraker Manmohan /Jain Anil K.
發表時間：2020/2/26
論文鏈接：https://arxiv.org/abs/2002.11841?from=leiphonecolumn_paperreview0323
推薦原因
這篇論文被CVPR 2020接收，提出了一種面向深度人臉識別的通用表徵學習框架，可以處理給定訓練數據中未發現的較大變化，而無需利用目標域知識。新框架首先將訓練數據與一些有意義的語義變化（例如低分辨率、遮擋和頭部姿勢）一起合成。訓練過程中將特徵嵌入拆分為多個子嵌入，併為每個子嵌入關聯不同的置信度值，以簡化訓練過程。通過對變化的分類損失和對抗性損失進行正則化，可進一步對子嵌入進行解相關。實驗表明，新的框架在LFW和MegaFace等常規人臉識別數據集上均取得最佳性能，而在TinyFace和IJB-S等極端基準集上則明顯優於對比算法。
CVPR 2020 | 使用多個攝像機的實時多人運動捕捉的4D關聯圖
論文名稱：4D Association Graph for Realtime Multi-person Motion Capture Using Multiple Video Cameras
作者：Zhang Yuxiang /An Liang /Yu Tao /Li Xiu /Li Kun /Liu Yebin
發表時間：2020/2/28
論文鏈接：https://arxiv.org/abs/2002.12625?from=leiphonecolumn_paperreview0323
推薦原因
這篇論文被CVPR 2020接收，提出了一種新的使用多視點視頻輸入的實時多人運動捕捉算法，首次將視圖解析、跨視圖匹配和時間跟蹤整合到一個優化框架中，即得到一個4D關聯圖，該圖可以同時平等地處理每個維度（圖像空間、視點和時間）。為有效求解4D關聯圖，這篇論文進一步提出基於啟發式搜索的4D肢束解析思想，然後通過提出束Kruskal算法對肢束進行組合。這個新算法可以在5人場景中使用5個攝像機，以30fps的速度運行實時在線運動捕捉系統。新算法不僅對噪聲檢測具有魯棒性，還獲得了高質量的在線姿態重建結果。在不使用高級外觀信息的情況下，新算法優於當前最優方法。
CVPR 2020 | 一種基於U-Net的生成性對抗網絡判別器
論文名稱：A U-Net Based Discriminator for Generative Adversarial Networks
作者：Schönfeld Edgar /Schiele Bernt /Khoreva Anna
發表時間：2020/2/28
論文鏈接：https://arxiv.org/abs/2002.12655?from=leiphonecolumn_paperreview0323
推薦原因
這篇論文被CVPR 2020接收，提出了一種基於U-Net的判別器架構，在保持合成圖像的全局一致性的同時，向生成器提供詳細的每像素反饋。在判別器的每像素響應支持下，這篇論文進一步提出一種基於CutMix數據增強的逐像素一致性正則化技術，鼓勵U-Net判別器更多關注真實圖像與偽圖像之間的語義和結構變化，不僅改善了U-Net判別器的訓練，還提高了生成樣本的質量。新判別器在標準分佈和圖像質量指標方面改進了現有技術，使生成器能夠合成具有變化結構、外觀和詳細程度的圖像，並保持全局和局部真實感。與BigGAN基線模型相比，所提方法在FFHQ、CelebA和COCO-Animals數據集上平均提高了2.7個FID點。
雷鋒網雷鋒網雷鋒網
閱讀更多 雷鋒網 的文章
