春节期间,你错过了这些开源论文 | Paper + Code 清单

  1. 云栖社区>
  2. paperweekly>
  3. 博客>
  4. 正文

春节期间,你错过了这些开源论文 | Paper + Code 清单

技术小能手 2018-03-02 10:26:26 浏览2674

[ 自然语言处理 ]

Nested LSTMs
@Synced 推荐
RNN

近日,CMU 和蒙特利尔大学联合提出一种新型的多级记忆的 RNN 架构——嵌套 LSTM。在访问内部记忆时,嵌套 LSTM 相比传统的堆栈 LSTM 有更高的自由度,从而能处理更长时间规模的内部记忆。

实验也表明,NLSTM 在多种任务上都超越了堆栈 LSTM。作者认为嵌套 LSTM 有潜力直接取代堆栈 LSTM。

论文链接
https://www.paperweekly.site/papers/1627
代码链接
https://github.com/hannw/nlstm

A Consolidated Open Knowledge Representation for Multiple Texts
@hussar 推荐
Knowledge Representation

本文提出了一种统一的开放知识表示方法 OKR,可以解决多文档的摘要问题。通过各种指代链接技术对多文档的信息进行压缩。

论文链接

https://www.paperweekly.site/papers/1668
代码链接
https://github.com/vered1986/OKR

Deconvolutional Paragraph Representation Learning
@icaruss 推荐
Encoder-Decoder Framework

这篇 2017 年发表在 NIPS 的文章提供了一个 deconvolutional text autoencoder 架构,在长文本重构上从原先的 20 多的 bleu score 提升到 90 多,并在文本分类等下游任务上提升显著。另外,本文在速度上也提升了三到五倍。

论文链接
https://www.paperweekly.site/papers/1536
代码链接
https://github.com/dreasysnail/textCNN_public

KBGAN: Adversarial Learning for Knowledge Graph Embeddings
@paperweekly 推荐
Knowledge Graph

知识图谱和 NLP 数据里通常只有正样本,所以训练传统嵌入模型的时候,大家喜欢用随机采样方法生成负例。但是这样生成的负例往往质量很差,对模型训练没什么帮助。作者提出了一种基于强化对抗学习的新方法,可以自动生成高质量的负样本。

论文链接
https://www.paperweekly.site/papers/1712
代码链接
https://github.com/cai-lw/KBGAN

MobiRNN: Efficient Recurrent Neural Network Execution on Mobile GPU
@kaierlong 推荐
Recurrent Neural Network

本文提出的 MobiRNN 框架,可以显著降低 RNN 模型在手机设备上的运行时间。

论文链接
https://www.paperweekly.site/papers/1674
代码链接
https://github.com/csarron/MobiRnn

[ 计算机视觉 ]

Spectral Normalization for Generative Adversarial Networks
@paperweekly 推荐
GAN

训练不稳定至今仍是 GAN 的一个重大挑战。本文提出了一种新型权值归一化(weight normalization)技术 SN-GANs,能让判定器训练更加稳定。

这是一种轻量化、易实现的方法,作者用 CIFAR10、STL-10 和 ILSVRC2012 的数据集对它进行了测试,实验证明,SN-GANs 能比以往提出的稳定方法生成质量更高,或者至少是质量相当的图像。

论文链接
https://www.paperweekly.site/papers/1670
代码链接
https://github.com/pfnet-research/sngan_projection

Parallel Tracking and Verifying
@chenhong 推荐
Object Tracking

object tracking 是视频分析的基本任务,长期以来一直有两大阵营,CF 相关滤波和 CNN,当然也可以 CF+CNN 融合。

本文将 tracking 过程分解为两个并行但是相互协作的部分:一个用于快速的跟踪(fast tracking),另一个用于准确的验证(accurate verification)。

论文链接
https://www.paperweekly.site/papers/1613
代码链接
http://www.dabi.temple.edu/~hbling/code/PTAV/ptav.htm

AmbientGAN: Generative models from lossy measurements
@paperweekly 推荐
Generative Adversarial Networks

本文为 ICLR 2018 录用论文,主要研究如何从嘈杂、扭曲、局部的观察中学习 GAN。

论文链接
https://www.paperweekly.site/papers/1620
代码链接
https://github.com/shinseung428/ambientGAN_TF

Depth CNNs for RGB-D scene recognition: learning from scratch better than transferring from RGB-CNNs
@paperweekly 推荐
Scene Recognition

基于卷积神经网络的 RGB-D 场景识别,本文为 AAAI2017 录用文章。

论文链接
https://www.paperweekly.site/papers/1610
代码链接
https://github.com/songxinhang/D-CNN

TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation
@Synced 推荐
Image Segmentation

本文展示了 U-Net 类型的架构如何利用预训练的编码器提升性能。代码和相关的预训练权重已开源。文中比较了三种权重初始化方案:LeCun uniform、取自 VGG11 权重的编码器和在 Carvana 数据集上训练的完整网络。

该网络架构是 Kaggle 竞赛(Carvana Image Masking Challenge)中获胜解决方案(在 735 名参赛者中排名第一)的一部分。

论文链接
https://www.paperweekly.site/papers/1573
代码链接
https://github.com/ternaus/TernausNet

原文发布时间为:2018-03-1
本文作者:让你更懂AI的
本文来自云栖社区合作伙伴“PaperWeekly”,了解相关信息可以关注“PaperWeekly”微信公众号