学术速递3 | 北大3D骨架行为识别综述 | 深度域适应目标检测综述 | 股票预测等[2.23]

WX公主号(arXiv每日学术速递)，欢迎关注，感谢支持哦~

几篇本周的paper：

• 3D骨架行为识别综述 北京大学
• 深度域适应目标检测综述 中科院自动化所
• 用时间序列股票相似度改进标普股票预测
• SemI2I-用于遥感数据域适配的Image-to-Image Translation Inria
• 综述：深度学习在金融中的应用

1. 北大3D骨架行为识别综述

北京大学：北大写的基于3D Skeleton的行为识别的综述，反正现在水行为识别的paper辣么多，不如看个综述吧……
标题：A Survey on 3D Skeleton-Based Action Recognition Using Learning Method
作者：Bin Ren,...，Hong Liu
链接：https://arxiv.org/pdf/2002.05907.pdf
基于三维骨架的动作识别，由于骨架的潜在优势，一直是计算机视觉领域的研究热点。因此，多年来人们已经做了很多令人印象深刻的工作，包括传统的基于手工特征的和基于学习特征的。然而，以往关于动作识别的研究大多集中在视频或RGB数据占主导地位的方法上，现有的关于骨骼数据的综述很少，主要是针对骨骼数据的表示或某些经典技术在某一数据集上的性能。此外，虽然深度学习方法在这一领域已经应用多年，但从深度学习体系结构的角度对其进行介绍或综述还没有相关的研究关注。为了突破这些局限，本研究首先强调了动作识别的必要性和3D Skeleton数据的重要性。然后对基于递归神经网络(RNN)的主流动作识别技术、基于卷积神经网络(CNN)的主流动作识别技术和基于图卷积网络(GCN)的主流动作识别技术进行了全面的介绍。最后，我们简要介绍了最大的3D Skeleton数据集NTU-RGB+D及其新版NTU-RGB+D120，以及这两个数据集中现有的几种顶级算法。据我们所知，这是首次对基于深度学习的3D骨骼数据的动作识别进行了全面的探讨。

• 
• 
• 
• 

---

2. 综述：深度域适应目标检测

中科院自动化所：关于Domain Adaptive在目标检测上应用的综述，已经投稿至ICIP2020。
标题：Deep Domain Adaptive Object Detection: a Survey
作者：Wanyi Li, Peng Wang
链接：https://arxiv.org/pdf/2002.06797.pdf
基于深度学习(DL)的目标检测已经取得了很大的进展，这些方法通常假设有大量的带标签的训练数据可用，并且训练和测试数据从相同的分布中提取。然而，这两个假设在实践中并不总是成立的。深域自适应目标检测(DDAOD)作为一种新的学习范式应运而生。本文综述了深域自适应目标检测方法的研究进展。
首先，简要介绍了深域自适应的基本概念；其次，将深域自适应检测器分为四类，并对每一类中的代表性方法进行了详细的描述；最后，对未来的研究趋势提出了见解。

---

3. 用时间序列股票相似度改进标普股票预测

以色列：内盖夫本-古里安大学：股票预测啊，发家致富不是梦……不过这是在标普做的预测，不管什么方法，来我大斗A一定会亏掉裤子吧，啥时候才能学学Trump，#MAGA，Make A-share Great Again！，不靠谱不靠谱
标题：Improving S&P stock prediction with time series stock similarity
作者：Lior Sidi
链接：https://arxiv.org/pdf/2002.05784.pdf
如今，使用预测算法进行股市预测是一个流行的话题，大多数预测算法只利用收集到的特定股票的数据进行训练。在本文中，用特定股票的相关股票的数据来丰富数据，就像一个专业交易者应该做的那样，来改进股票预测模型。对五种不同的相似度函数进行了测试，发现co-integration similarity对预测模型的改善效果最好。我们对五年内来自不同行业的七只标普股票的模型进行了评估。我们在类似股票上训练的预测模型的预测结果明显更好，平均精度为0.55，利润为19.782，而目前state-of-art精度为0.52，利润为6.6。

---

4. SemI2I-用于遥感数据域适配的Image-to-Image Translation

Inria 法国国家信息与自动化研究所：
标题：SemI2I: Semantically Consistent Image-to-Image Translation for Domain Adaptation of Remote Sensing Data
作者：Onur Tasar, Pierre Alliez
链接：https://arxiv.org/pdf/2002.05925
虽然卷积神经网络已被证明是从遥感图像中生成高质量地图的有效工具，但当训练数据和测试数据之间存在较大的domain shift时，卷积神经网络的性能会显著下降。为了解决这一问题，我们提出了一种新的数据扩充方法，该方法利用生成性对抗性网络将测试数据的样式转换为训练数据。我们的语义分割框架首先从真实的训练数据训练一个U-net，然后在由该方法生成的假训练数据上对其进行微调。实验结果表明，该框架的性能优于现有的领域自适应方法。

---

5.综述：深度学习在金融中的应用

土鸡的一个大学写的，质量不知道，图倒是画的挺好看的，感兴趣的话参考下吧emmmm
标题：Deep Learning for Financial Applications : A Survey
作者：Ahmet Murat Ozbayoglu, Omer
链接：https://arxiv.org/pdf/2002.05786.pdf
过去的几十年，金融中的计算智能一直是学术界和金融界非常热门的话题，大量的研究结果提出了不同的模型。同时，在机器学习(ML)领域，深度学习(DL)最近几年受到人们的广泛关注，这主要是因为它的性能优于经典模型。目前存在许多不同的DL应用，而且人们的兴趣与日俱增。金融是DL模型开始受到关注的一个特殊领域，然而，这个领域是开放的，仍然存在许多研究机会。在这篇文章中，我们试图提供到今天为止为金融应用程序开发的DL模型的最先进的快照。我们不仅根据它们在金融领域的意图对它们进行了分类，而且还根据它们的DL模型对它们进行了分析。此外，我们还旨在确定未来可能的实现，并强调了该领域内正在进行的研究的途径。调研的内容有：

• 嵌入时间序列预测模型的算法交易应用
• 基于分类(买入-卖出信号或趋势检测)的算法交易模型
• 独立或其他算法模型
• 信用评分或分类研究
• 财务困境、破产、银行风险、抵押贷款风险、危机预测研究
• 欺诈检测研究
• 投资组合管理研究
• 资产定价与衍生产品市场研究
• 加密货币和区块链研究
• 金融情绪研究与文本挖掘相结合的预测
• 无情感分析的文本挖掘预测研究
• 其他文本挖掘研究
• 其他理论研究或概念研究

不同主题论文发表量统计：

开发环境及python库占比统计：

 

---