今日 Paper | CausalML；隱式函數；慢動作視頻重建；交叉圖卷積網絡等

本文作者： AI研習社

2020-03-18 15:08

導語：為了更好地服務廣大 AI 青年，AI 研習社正式推出全新「論文」版塊。

今日 Paper | CausalML；隱式函數；慢動作視頻重建；交叉圖卷積網絡等

CausalML：用于因果機器學習的Python包

論文名稱：CausalML: Python Package for Causal Machine Learning

作者： Huigang Chen*

發表時間：2020/3/2

論文鏈接：https://paper.yanxishe.com/review/14227?from=leiphonecolumn_paperreview0318

推薦原因

本文主要內容：

本文提出了一種新的機器學習算法包——CausalML，這是一種采用ython語言編寫而成用于解決因果推理（causalinference）與機器學習（machine learning）任務的算法，并且已經封裝成型，提供了API接口供學習者使用。對于CausalML包的使用用途，作者從三方面進行介紹，分別為定位優化（Targeting Optimization）、因果影響分析（Causal Impact Analysis）以及模型的個性化（Personalization）。此外作者也對后續的研究提出了自己的觀點。總之，本文適合于剛入機器學習方向的同學學習研究。

用于3D重建和形狀補全的特征空間中的隱式函數

論文名稱：Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion

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

發表時間：2020/3/3

論文鏈接：https://paper.yanxishe.com/review/13186?from=leiphonecolumn_paperreview0318

推薦原因

這篇文章被CVPR2020接收！文章主要考慮從各種各樣的3D輸入來進行3D重建和形狀補全的工作，能夠處理低和高分辨率體素、稀疏和稠密電云、完整或不完整的數據等等。

作者通過神經網絡從輸入數據提取基于三維張量表達的多尺度特征，并將該張量與嵌入原始形狀的歐式空間進行對齊，然后從張量提取的深層特征進行分類。實驗表明文章提出的模型根據全局和局部形狀結構做出決策，能夠得到更準確的重建結果。文章的方法能夠提供連續的輸出，可以處理多種拓撲，可以從缺失或者稀疏的輸入數據生成完整的形狀，并且可以重建3D人體并保留表面細節。

基于混合成像系統的慢動作視頻重建

論文名稱：Deep Slow Motion Video Reconstruction with Hybrid Imaging System

作者： Avinash Paliwal /Nima Khademi Kalantari

發表時間：2020/2/27

論文鏈接：https://paper.yanxishe.com/review/12733?from=leiphonecolumn_paperreview0318

推薦原因

慢動作視頻在近些年來變得越來越流行，但以極高的幀率捕獲高分辨率視頻需要專業的高速相機，對于普通消費者或者攝影愛好者比較難實現。文章提出了一種重建高分辨率慢動作視頻的方法。

當前的慢動作視頻生成方法大多是通過線性插幀來實現，對于運動較小的簡單情況能夠得到不錯的結果，但是對于稍微復雜的情況，結果就變得很差，會得到不自然的結果。文章將兩個視頻流作為輸入來解決這一問題，除了低幀率高分辨率的主視頻，還提供一個高幀率低分辨率的輔助視頻來提供時序信息。作者提出了一個由對齊和外觀估計組成的兩階段深度學習系統，來從混合視頻輸入中重建高分辨率慢動作視頻。作者使用合成的混合視頻數據集訓練了網絡，并搭建了一個簡單的雙攝裝置，來驗證文章方法的表現。

交叉圖卷積網絡（Cross-GCN）：使用k順序特征交互來增強圖卷積網絡

論文名稱：Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions

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

發表時間：2020/3/5

論文鏈接：https://paper.yanxishe.com/review/13480?from=leiphonecolumn_paperreview0318

推薦原因

1 核心問題：

在過往的研究中，圖卷積網絡（GCN）顯示了強大的表示能力，在推薦系統和相關文檔分類中取得了亮眼的效果。本文主要解決了傳統的圖卷積網絡放棄建模交叉特征的問題。

2 創新點：

本文提出了一個交叉特征圖卷積運算符，此運算符提供了一個新的特征轉換模塊，該模塊以任意順序編碼交叉特征，并且具有依據特征維數和順序大小的線性復雜度。接著，在此運算符的基礎上，本文提出了一個新的基于圖學習的方法。

3 研究意義：

過往的圖卷積網絡放棄了對圖交叉特征的建模，這影響了圖卷積網絡在交叉特征相對重要的數據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實用性，特別是在低層上的特征提取上。同時，Cross-GCN在低維稀疏數據集上取得了更大的效果提升。

選擇核網絡

論文名稱：Selective Kernel Network

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

發表時間：2019/5/16

論文鏈接：https://paper.yanxishe.com/review/13537?from=leiphonecolumn_paperreview0318

推薦原因

在神經科學界，視皮層神經元的感受野大小受刺激的調節，即對不同刺激，卷積核的大小應該不同，但這在構建CNN時一般在同一層只采用一種卷積核，很少考慮多個卷積核的作用。文中提出了一種在CNN中對卷積核的動態選擇機制，該機制允許每個神經元根據輸入信息的多尺度自適應地調整其感受野（卷積核）的大小。設計了一個稱為選擇性內核單元（SK）的構建塊，其中，多個具有不同內核大小的分支在這些分支中的信息引導下，使用SoftMax進行融合。由多個SK單元組成SKNet，SKNet中的神經元能夠捕獲不同尺度的目標物體。