最新论文阅读（29）

RAN: Radical analysis networks for zero-shot learning of Chinese characters

- 2017年11月
-   
- 中科大

　　用于汉字识别（其特点就是汉字太多但基础结构大约只有500个）；提出基础结构分析网络（Radical Analysis Networks，RAN)；网络结构是CNN编码器+RNN解码器；是一种zero-shot learning

---

Attentional Pooling for Action Recognition

- 2017年11月
-   
- 卡内基梅隆大学

　　用于行为识别和人对象交互任务（human object interaction tasks）；rink-pooling；双线性的低秩pooling方法（用于细粒度分类）

---

A Fully Convolutional Tri-branch Network (FCTN) for Domain Adaptation

- 2017年11月
- 领域自适应，语义分割；
- 洛杉机南加州大学

　　用于城市场景分割的领域适应方法；提出fully convolutional tri-branch network (FCTN)，是FCN，其中两个分支将伪标签分配给未标记的目标域中的图像，而第三分支在基于伪标签目标域中的图像的监督下训练。重新贴标签和重新训练过程交替。
　　三分支网络逐步学习目标特定的判别式表示，在synthetic (GTA) and real (Cityscapes) images数据集上进行实验，实验结果表明分段器的跨域能力提高。

---

MicroExpNet: An Extremely Small and Fast Model For Expression Recognition From Frontal Face Images

- 2017年11月
- 轻量化的网络；用于面部表情识别
- 中东工业大学【土耳其】

　　为正面人脸图像中的面部表情识别（FER）问题创建极小的快速卷积神经网络（CNN）。
　　网络结构超简单(比lenet还简单)。
我们表明，对于FER，翻译不变性（通过最大池层来实现）会降低性能，特别是当网络较小时；使用知识蒸馏方法(Student-Teacher)可以用来获得极度压缩的CNN。
　　实验在两个常用的FER数据集CK+和Oulu-CASIA上。
　　有代码!

---

MegDet: A Large Mini-Batch Object Detector

- 2017年11月
- 加速训练的算法   
- 北大，face++

　　用于物体检测任务，主要研究的是加速训练,提高 batch size 来实现目标检测。
　　最近基于CNN的对象检测工作的改进主要来自新网络或框架或损失设计。但是，小批量训练的关键因素还没有得到很好的研究。
　　在本文中，我们提出了一种大型小批量物体检测器（MegDet），可以实现比以前更大的小批量（例如从16到256）的训练，以便我们可以有效地利用多个GPU（高达128英寸我们的实验）显着缩短训练时间。
　　从技术上讲，我们建议采用学习率策略和跨GPU批量标准化，这些技术一起使我们能够在更短的时间内（例如从33小时到4小时）成功培训大型小批量检测器，并获得更高的精度。

---

Face Attention Network: An Effective Face Detector for the Occluded Faces

- 2017年11月
- 用于遮挡人脸的人脸检测；Face Attention Network (FAN)
- 北航；face++

　　实验在WiderFace和MAFA上。
　　网络结构简单，使用resnet作为基础网络，并用skip得到feature金字塔，最后用接着cls-reg-attention subnet。

---

Feature Agglomeration Networks for Single Stage Face Detection

- 2017年12月
- 就是基于特征金字塔网络（FPN），结合提出的concat模块和分层loss
- 新加坡管理大学；浙大；DeepIR(深图智服)   

　　实时地人脸检测。
　　we construct our FAN architecture using a new Agglomerative Connection module and further propose a Hierarchical Loss to effectively train the FAN model.

---

The Enhanced Hybrid MobileNet

- 2017年12月  
- 增强混合mobilenet；无价值
- 台湾师范大学

　　其实就是，mobilenet的分离卷积模块的channel数，变多或变少，然后做实验比较一下，实际数据占了大部分内容。

---

Symbol detection in online handwritten graphics using Faster R-CNN

- 2017年12月
- 手写图形中的符号检测（流程图、数学表达式等）
- 圣保罗大学【美】

　　在线手写图形（例如图表和数学表达式）中的符号检测技术由专门为单一图形类型设计的方法组成。
　　论文以faster-RCNN作为检测手写图形中符号的一般方法。评估该网络使用不同配置，并指出与数据的手写本质有关的问题。
　　在公开可用的流程图和数学表达式（CROHME-2016）数据集上评估方法。结果显示，flowchart和CROHME-2016数据集都可以有效地使用faster-RCNN。