学术速递1 | 呼吸特征筛查新冠肺炎 | 百度视频动作识别 | 监控打架行为检测等 [2.15]

WX公主号(arXiv每日学术速递)，欢迎关注，感谢支持哦~

几篇最近有意思的paper：

• 1. 根据呼吸特征筛查COVID-19肺炎患者
• 2. 边缘协作跨摄像头的视频分析
• 3. 百度VIS：一种高效视频动作识别方法 Kinetics400 @top1 74.7%
• 4. 利用音乐自动生成舞蹈
• 5. 餐厨垃圾分类：紧跟时代潮流
• 6. 运动视频内容分析数据集
• 7. 监控视频打架行为检测
• 8. 2.75D CNN ：36D还远么
• 9. HGAT假新闻检测
• 10. CNN on AIoT：AAAI-2020 Workshop
• 11. 增强学习：在机器和人类之间切换
• 12. 被动WiFi挖掘社会事件中的人群行为

首先，上图镇楼：

1. 根据呼吸特征筛查COVID-19肺炎患者

这......独家数据+具体应用场景，结合few-shot、one-shot、unsupervised什么的，先随便来个10篇吧。
标题：Abnormal respiratory patterns classifiermay contribute to large-scale screening of people infected with COVID-19 in anaccurate and unobtrusive manner 异常呼吸模式分类器可能有助于以准确和隐蔽的方式对COVID-19感染者进行大规模筛查
作者：Yunlu Wang, Nan Yao
链接：https://arxiv.org/abs/2002.05534

研究意义：在疫情防控期间，本研究可根据呼吸特征对COVID-19(新型冠状病毒)感染者的预后、诊断和筛查提供帮助。根据最新的临床研究，COVID-19的呼吸模式与流感、普通感冒的呼吸模式不同。COVID-19中出现的一个重要症状是呼吸急促，感染COVID-19的人呼吸更快。我们的研究可以用来区分不同的呼吸模式，我们的方法可以初步投入实际使用。

研究细节：以一种远程、隐蔽的方式准确检测人的异常呼吸模式。在这项工作中，我们创新性地利用深度相机和深度学习来实现这一目标。这项任务的挑战是双重的：真实的数据量不足以训练得到深层模型；不同类型呼吸模式的类内差异较大，类外差异较小。本文针对实际呼吸信号的特点，首次提出了一种新颖高效的呼吸仿真模型(RSM)，以缓解训练数据需求量大与真实数据稀缺之间的差距。随后，我们首先应用具有双向和注意机制的GRU神经网络(BI-AT-GRU)对6种临床上有意义的呼吸模式(Eupnea，Tachypnea，Bradypnea，Biots，Cheyne-Stokes和Central-Apnea)进行分类。本文提出的深层模型和建模思想具有很大的推广潜力，可以推广到公共场所、睡眠场景、办公环境等大规模应用中。

2. 边缘协作跨摄像头的视频分析

标题：CONVINCE:Collaborative Cross-Camera Video Analytics at the Edge
作者：Hannaneh Barahouei Pasandi
备注：2020 IEEE International Conference
链接：https://arxiv.org/abs/2002.03797
摘要：如今，摄像机被密集部署，在当前的系统中，每个摄像头节点将其视频源单独发送到云服务器。有几个问题，包括较高的计算成本、分析海量数据所需的大带宽、以及隐私问题。在密集部署中，视频节点通常表现出显著的时空相关性。为了克服当前方法中的这些障碍，本文引入了一种新的方法SIMPLE，它将网络摄像机视为一个集体实体，支持摄像机之间的协作视频分析管道。SIMPLE的目标是：1)通过利用摄像机之间的时空相关性智能地消除冗余帧来降低计算成本和带宽需求；2)通过实现相关摄像机之间的协作知识共享来提高视觉算法的精度。实验结果表明，SIMPLE算法仅传输∼2 5帧左右的记录帧，目标识别准确率达到∼91%。

3. 百度VIS一种高效视频动作识别的新方法：Kinetics400 @top1 74.7%

标题：Dynamic Inference: A New Approach Toward Efficient VideoAction Recognition 动态推理：一种高效视频动作识别的新方法
作者：Wenhao Wu, Shilei Wen
链接：https://arxiv.org/abs/2002.03342
摘要：虽然近年来视频中的动作识别已经取得了很大的成功，但由于其庞大的计算代价，仍然是一项具有挑战性的任务。设计轻量级网络是一种可能的解决方案，但它可能会降低识别性能。在本文中，我们创新性地提出了一种通用的动态推理思想，利用不同视频分辨率的差异来提高推理效率。该动态推理方法可以从网络深度和输入视频帧数两个方面来实现，甚至可以以联合输入和网络深度的方式来实现。简而言之，我们将计算图的输入帧和网络深度视为一个二维网格，并通过预测模块预先在该网格上放置多个检查点。推理是按照预定的路径在网格上逐步进行的，当推理过程遇到检查点时，可以根据提前停止条件是否满足来进行早期预测。为了概念验证的目的，我们使用两个著名的主干CNN实例化了三个动态推理框架。在这些情况下，我们通过一种新的帧置换方案克服了早期预测导致的时间覆盖有限的缺点，并通过引入在线时间转移模块缓解了渐进式计算与视频时间关系建模之间的冲突。我们进行了大量的实验，以深入分析我们的想法的有效性，并启发未来的研究工作。在不同数据集上的结果也证明了我们方法的优越性。

4. 利用音乐自动生成舞蹈： 

用于解决全自动音乐和编排问题。关键思想是将最初设计用于语音生成的WaveNet转移到人体运动合成。(适用于四肢不协调患者...）
标题：Music2Dance: Music-driven Dance Generation using WaveNet 使用WaveNet进行音乐驱动的舞蹈生成
作者：Wenlin Zhuang, Yangang Wang
链接: https://arxiv.org/abs/2002.03761

5. 餐厨垃圾分类：

紧跟时代潮流，把握时代机遇，还是瑞士人写的，妙啊
标题：Deep Learning for ClassifyingFood Waste 餐厨垃圾分类的深度学习
作者：Amin Mazloumian
链接：https://arxiv.org/abs/2002.03786

6. 运动视频内容分析数据集：

运动内容分析数据局，搭配个虚拟主播+声音合成，就可以搞个AI体育解说直播了，可以去直播当网红了。千万粉丝不是梦，发家致富走起来....
标题：FSD-10:A Dataset for Competitive Sports Content Analysis 一个用于竞技体育内容分析的数据集
作者：Shenlan Liu, Hong Qiao
链接：https://arxiv.org/pdf/2002.03312.pdf

7. 监控视频打架行为检测：

土鸡国做打架行为检测，样本充足啊。。。

标题：Vision-based FightDetection from Surveillance Cameras 监控摄像机中基于视觉的战斗检测
作者：Şeymanur Aktı, Hazım Kemal Ekenel
备注：IPTA 2019
链接：https://arxiv.org/abs/2002.04355

8. 2.75D CNN：

2D/2.5D/3D CNN，现在又来了个2.75D，36D还远吗？基本就是娱乐的文章了吧……
标题：2.75D Convolutional NeuralNetwork for Pulmonary Nodule Classification in Chest CT—2.75D卷积神经网络在胸部CT肺结节分类中的应用
作者：Ruisheng Su, Tao Tan
链接：https://arxiv.org/pdf/2002.04251.pdf

9. 假新闻检测：

经过肺炎疫情，假新闻检测好像还真有点用，做个中文假新闻检测，是不是能卖给很多ZF机构......
标题：HGAT: Hierarchical GraphAttention Network for Fake News Detection
HGAT：用于假新闻检测的分层图关注网络
链接：https://arxiv.org/pdf/2002.04397.pdf
摘要：假新闻的爆炸式增长侵蚀了媒体和政府的信誉。假新闻检测已成为当务之急......

10. CNN on AIoT：AAAI-2020 Workshop on Artificial Intelligence of Things 物联网人工智能研讨会

标题：PairNets 用于快速设备上应用的低内存成对神经网络
链接：https://arxiv.org/pdf/2002.04458.pdf
摘要：传统的人工神经网络(ANN)通常通过梯度下降算法，训练得很慢，这是因为ANN的大量超参数需要随训练周期进行微调。由于DNN的大量超参数占用大量内存，内存效率低下的深度学习模型不适用于各种设备(如手机)上的实时物联网(IoT)应用。因此，有必要开发快速、内存高效的人工物智能(AIoT)系统，用于实时的设备上应用。我们提出了一种新的宽而浅的四层神经网络，称为“成对神经网络”(“PairNet”)，它具有高速的非梯度下降超参数优化。分而治之的方法可以利用特定的局部特征来训练局部PairNet，以提高模型的性能。仿真结果表明，三种增量学习的PairNet具有较小的平均预测均方误差，并且比传统的神经网络具有更高的速度。一个重要的未来工作是开发更好、更快的非梯度下降超参数优化算法，以生成有效、快速和内存效率高的PairNet，并在最优子空间上进行增量学习，用于实时AIoT设备上应用。

11. 学习在机器和人类之间切换：

难道是论如何通过图灵测试hhh？用于解决类似于这样的问题：自动驾驶遵守交通规则撞死5个人，违反规则撞死1个人，请问自动驾驶如何处理？
MPI : Learning to Switch Between Machines and Humans
标题：学习在机器和人类之间切换
作者：Vahid Balazadeh Meresht, Manuel Gomez-Rodriguez
链接：http://arxiv.org/abs/2002.0425
摘要：强化学习算法大多是在完全自主的方式运行的假设下开发和评估的。然而，在安全关键应用中，完全自主面临着各种技术、社会和法律挑战，这使得强化学习策略无法在现实系统中使用。在本文中，通过学习在机器和人类之间切换控制，允许现有的强化学习策略在不同的自动化水平下操作。在自动驾驶的两个重要任务--车道保持和障碍物避障重进行了仿真验证。

12. 被动WiFi挖掘社会事件中的人群行为：这TM不就是WIFI探针？

这侵犯隐私的也能发paper？还是在Singapore...
标题：Understanding CrowdBehaviors in a Social Event by Passive WiFi Sensing and Data Mining 通过被动WiFi传感和数据挖掘了解社会事件中的人群行为
作者：Yuren Zhou, Benny Kai Kiat Ng
链接：https://arxiv.org/pdf/2002.04401.pdf
摘要：了解大型社交活动中的人群行为对于事件管理至关重要。被动式WiFi感知，通过收集移动设备发送的WiFi探测请求，与人员柜台和摄像头相比，提供了一种更好的人群监控方式，具有无干扰、覆盖范围更大、成本更低、人员活动信息更多等优点。在现有的研究中，对收集到的数据的深入分析和挖掘没有引起足够的重视。在本文中，我们提出了一个全面的数据分析框架，以充分分析收集到的探测请求，以提取与大型社交活动中的人群行为相关的三种模式，并借助统计、可视化和无监督机器学习。首先，从探测请求中提取移动设备的轨迹，并对其进行分析，以揭示人群运动的空间模式。采用层次凝聚聚类的方法寻找不同位置之间的互联关系。然后，应用k-均值聚类算法和k-形状聚类算法分别提取按天和按地点的人群时间访问模式。最后，通过与时间的结合，将轨迹转换为时空模式，揭示轨迹持续时间随时间的变化，以及人群运动的总体趋势随时间的变化。所提出的数据分析框架使用在大型社交活动中收集的真实世界数据进行了充分演示。结果表明，人们可以从无源WiFi传感器网络收集的数据中提取全面的模式。

---