By 超神经
内容一览：2019 年已经接近尾声，在这一年里，计算机视觉（CV）领域又诞生了大量出色的论文，提出了许多新颖的架构和方法，进一步提高了视觉系统的感知和生成能力。我们精选了 2019 年十大 CV 研究论文，帮你了解该领域的最新趋势，继之前推出的上系列和中系列之后，这是该系列的最后一个部分。Enjoy~
关键词：计算机视觉 精选论文 解读
近年来，计算机视觉（CV）系统已经逐渐成功地应用在医疗保健，安防，运输，零售，银行，农业等领域，也正在逐渐改变整个行业的面貌。
今年，CV 领域依然硕果累累，在各个顶尖会议中诞生了多篇优秀论文。我们从中精选了 10 篇论文以供大家参考、学习。限于篇幅，我们将解读分为了上、中、下三个篇章分期进行推送。
以下是这 10 篇论文完整的目录：
1. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
EfficientNet：卷积神经网络模型缩放的反思
2. Learning the Depths of Moving People by Watching Frozen People
通过观看静止的人来学习移动的人的深度
3. Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vision-Language Navigation
增强的跨模态匹配和自我监督的模仿学习，用于视觉语言导航
4. A Theory of Fermat Paths for Non-Line-of-Sight Shape Reconstruction
非视线形状重构的费马路径理论
5. Reasoning-RCNN: Unifying Adaptive Global Reasoning into Large-scale Object Detection
Reasoning-RCNN：将自适应全局推理统一到大规模目标检测中
6. Fixing the Train-Test Resolution Discrepancy
修复训练测试分辨率差异
7. SinGAN: Learning a Generative Model from a Single Natural Image
SinGAN：从单个自然图像中学习生成模型
8. Local Aggregation for Unsupervised Learning of Visual Embeddings
视觉聚合的无监督学习的局部聚合
9. Robust Change Captioning
强大的更改字幕
10. HYPE: A Benchmark for Human eYe Perceptual Evaluation of Generative Models
HYPE：人类对生成模型的 eYe 感知评估的基准
本文是序号 8-10 的详细解读，前面的内容请查看往期内容：
解读 | 2019 年 10 篇计算机视觉精选论文（上）
解读 | 2019 年 10 篇计算机视觉精选论文（中）
8
论文摘要
神经网络中的无监督学习方法对于促进 AI 的发展具有重大的意义，一方面是因为这种方法，不需要进行大量的标记，就可进行网络训练，另一方面，它们将是人为部署中，更好的通用模型。
但是，无监督的网络的性能长期落后于有监督网络，尤其是在大规模视觉识别领域。但最近有一种新的方法，可以弥补这一差距，它是通过训练深度卷积嵌入，以最大化非参数去进行实例分割和聚类。
这篇论文中，描述了一种训练嵌入函数以最大化局部聚合度量的方法，该方法可让相似的数据实例在嵌入空间中相互靠近，同时允许不同实例分开。该聚合指标是动态的，允许不同规模的软聚类产生。
该模型在几个大型视觉识别数据集上进行了评估，在 ImageNet 中的对象识别，Places 205 中的场景识别，以及 PASCAL VOC 中的对象检测方面，均实现了最先进的无监督转移学习性能。
核心思想
本文介绍了一种新颖的无监督学习算法，该算法可在潜在特征空间中对相似图像进行局部非参数聚合。
所提出的本地聚合（ Local Aggregation，LA）过程的总体目标，是学习一种嵌入功能，该功能将图像映射到表示空间中的特征，在该表达空间中，相似的图像分组在一起，而不同的图像则会分开：
- 对于每个输入图像，使用深度神经网络将图像嵌入到低维空间中。
- 然后，该模型识别嵌入相似的近邻和背景近邻，这些特征用于设置判断邻近度的距离尺度。
- 通过优化，当前嵌入向量被推到更靠近其近邻，并进一步远离其背景近邻。
引入的过程产生的表示形式支持下游计算机视觉任务。
关键成就
在以下方面，本地聚合明显优于其他架构：
目标识别：经过 LA 培训的 ResNet-50 在 ImageNet 上，达到了 60.2％ 的 top-1准确性，高于直接在监督任务上进行训练的 AlexNet ；
场景分类： LA 训练的 ResNet-50 在 Places 数据集，达到了 50.1％ 的精度，展现了其强大的迁移学习性能。
目标检测：在 PASCAL 检测任务的无监督转移学习中，取得了最先进的性能（在ResNet-50 上的平均精度为 69.1％）。
所获荣誉
该论文在计算机视觉领域顶级会议 ICCV 2019 中，收获了最佳论文奖。
后续研究
探索使用基于非局部流形学习的先验检测相似性的可能性。
通过分析学习的多个步骤中的代表变化来改善差异检测。
将 LA 目标应用于其他领域，比如视频和音频。
将 LA 程序与生物视觉系统进行对比。
应用场景
这项研究对于计算机视觉研究而言，是将无监督学习用于现实世界中的重要一步，且使物体检测和对象识别系统，能够在不花费昂贵的注释费用的情况下正常运行。
代码获得
在 GitHub 上提供了 Local Aggregation 算法的 TensorFlow 实现。
地址：https://github.com/neuroailab/LocalAggregation
9
论文摘要
描述场景中发生的变化是一项重要的工作，但前提是生成的文本只关注语义相关的内容。因此，需要将干扰因素（例如视点变化）与相关变化（例如物体移动）区进行区分。
此文提出一种新颖的双重动态注意力模型（DUDA），以执行强大的变化文本描述。该模型学会了将干扰因素与语义变化区分开，通过对前后图像进行双重关注来定位变化，并通过自适应地关注必要的视觉输入（例如「之前」），通过动态扬声器准确地用自然语言描述它们。（或之后的图片）。
为了进一步探究此问题，我们收集了基于 CLEVR 引擎的 CLEVR-Change 数据集，其中包含 5 种类型的场景变更。我们以数据集为基准，并系统地研究了不同的变化类型和干扰因素的鲁棒性。在描述变化和本地化方面都展示了 DUDA 模型的优越性。
结果表明此方法是通用的，它在没有干扰因素的 Spot-the-Diff 数据集上，获得了最先进的性能。
核心思想
研究团队提出了用于变化检测和字幕说明的双重动态注意力模型（DUDA）：
- 该模型包括用于更改本地化的 Dual Attention 组件，和用于生成更改描述的 Dynamic Speaker 组件。
- 这两个神经网络都是使用字幕级监督进行联合训练的，并且没有有关更改位置的信息。
- 给出「之前」和「之后」图像后，模型将检测场景是否已更改；如果已改变，它将在两个图像上定位变化，然后生成一个描述变化的句子，该句子是基于图像对在空间和时间上的信息。
本文还介绍了一个新的 CLEVR-Change 数据集，该数据集：
- 包含 8 万个「之前 /之后」图像对；
- 涵盖 5 种场景变化类型，例如颜色或材质变化，添加，放置或移动对象；
- 包括仅具有干扰因素的图像对（即照明/视点变化）和具有干扰因素和语义相关场景变化的图像。
关键成就
引入新的 CLEVR-Change 基准测试，可以帮助研究团体训练新模型，以用于：
- 当视点移动时，局部场景发生的变化；
- 正确引用复杂场景中的物体；
- 定义视点移动时物体之间的对应关系。
提出一个更改文字描述的 DUDA 模型，当在 CLEVR-Change 数据集上进行评估时，该模型在以下方面优于所有场景更改类型的基准：
- 总体句子流利度和与真实性的相似度（BLEU-4，METEOR，CIDEr 和 SPICE 度量）；
- 更改本地化（指向游戏评估）。
所获荣誉
该论文被计算机视觉领域顶级会议 ICCV 2019 ，提名为最佳论文奖。
后续研究
收集来自真实图像的「之前 /之后」图像对数据集，并包含语义上的显着变化和干扰因素变化。
应用场景
DUDA 模型可以协助各种实际应用，包括：更改医学图像中的跟踪；设施监控；航空摄影。
10
论文摘要
生成模型通常使用人工评估来评价其输出的感知质量。自动化指标是嘈杂的间接代理，因为它们依赖于启发式方法或预训练的嵌入。然而直到现在，直接的人类评估策略都是临时的，既没有标准化也没有经过验证。
论文里进行的工作，是为生成现实的判断建立了一套黄金标准的人类方法。我们构建了人类 eYe 感知评估（HYPE）基准。
该基准是（1）基于感知的心理物理学研究；（2）在模型的随机采样输出的不同集合之间是可靠的；（3）能够产生可分离的模型性能；以及（4）在成本和时间上具有很高的效益。
我们介绍了两种变量：一种在自适应时间约束下测量视觉感知，以确定模型输出呈现真实阈值（例如 250ms），另一个代价更小的变量，它在没有时间限制的情况下，可以在假的和真实图像上，测量人为错误率。
我们使用 CelebA，FFHQ，CIFAR-10 和 ImageNet 这四个数据集，通过六个最先进的生成对抗网络和两种采样技术，对有条件和无条件图像生成进行 HYPE 测试。我们发现 HYPE 可以跟踪训练期间的模型改进，并且通过引导抽样验证了 HYPE 排名是一致且可重复的。
核心思想
由于自动度量标准在高维问题上不准确，并且人工评估不可靠且过度依赖任务设计，因此需要用于评估生成模型的系统性黄金标准基准。
为了解决这个问题，研究人员介绍了基准 Human eYe Perceptual Evaluation（HYPE），以及评估的方法有两种：
- 计算一个人需要多少时间来区分特定模型生成的真实图像和伪图像：花费的时间越长，模型越好。
- 测量不受时间限制的人为错误率：得分高于 50％ 表示生成的伪图像看起来比真实图像更真实。
关键成就
引入用于评估生成模型的黄金基准：
- 依据于心理物理学研究；
- 可靠而且一致性好；
- 能够针对不同模型产生统计上可分离的结果；
- 在成本和时间上具有高效率。
所获荣誉
该论文被选做人工智能顶级会议 NeurIPS 2019 的口头报告。
后续研究
将 HYPE 扩展到其他生成任务，包括文本，音乐和视频生成。
代码获得
作者已经在线部署了 HYPE，任何研究人员都可以使用 Mechanical Turk 上载模型并检索 HYPE 分数。地址：https://hype.stanford.edu/
参考资料：https://www.topbots.com/top-ai-vision-research-papers-2019/
—— 完 ——
