CV_Daily Issue 28

CV_Daily Issue 28

Yang Xian

• [2019 ICCV oral]Temporal Attentive Alignment for Large-Scale Video Domain Adaptation

尽管近年来已经提出了各种基于图像的域自适应（DA）技术，但视频中的域移位仍未得到很好的研究。
以前的大多数工作只评估饱和的小规模数据集的性能。
因此，我们首先提出两个具有较大域差异的大型视频DA数据集：UCF-HMDB_full和Kinetics-Gameplay。
其次，我们研究了视频的不同DA集成方法，并表明即使没有复杂的DA方法，同时对齐和学习时间动态也可以实现有效对齐。
最后，我们提出了时间注意力对抗适应网络（TA3N），该网络使用域差异显式地参与时间动态，以实现更有效的域对齐，从而在四个视频DA数据集上实现了最先进的性能（例如，在7.9％的精度下，
“仅来源”的收入从“ HMDB-> UCF”的73.9％增至81.8％，而“运动学->游戏性”的收益则为10.3％。）

• [2019 ICCV oral]DeepGCNs: Can GCNs Go as Deep as CNNs?

卷积神经网络（CNN）在广泛的领域中均取得了令人印象深刻的性能。
当能够深度可靠地训练非常深的CNN模型时，他们的成功得益于巨大的推动力。
尽管有其优点，但CNN无法正确解决非欧几里得数据的问题。
为了克服这一挑战，图卷积网络（GCN）建立了表示非欧几里得数据的图，从CNN中借鉴了概念，并将其应用于训练中。
GCN显示出令人鼓舞的结果，但由于梯度问题消失，它们通常仅限于非常浅的模型。
因此，大多数最新的GCN模型的深度都不超过3或4层。
在这项工作中，我们提出了成功训练非常深的GCN的新方法。
为此，我们借鉴了CNN的概念，特别是残差/密集连接和膨胀卷积，并将其调整为GCN架构。
大量的实验表明了这些深层的GCN框架的积极作用。
最后，我们使用这些新概念构建了一个非常深的56层GCN，并展示了它在点云语义分割任务中如何显着提高性能（与最新技术相比提高了3.3％mIoU）。
我们相信社区可以从这项工作中大大受益，因为它为推进基于GCN的研究提供了许多机会。