12-in-1: 多任务视觉和语言表示学习
CVPR 2020 | 用于零样本超分辨率的元转移学习
CVPR 2020 | ABCNet：基于自适应Bezier-Curve网络的实时场景文本定位
CVPR 2020 | Sketch Less for More：基于细粒度草图的动态图像检索
CVPR 2020 | PointAugment：一种自动增强的点云分类框架
12-in-1: 多任务视觉和语言表示学习论文名称：12-in-1: Multi-Task Vision and Language Representation Learning
作者：Jiasen Lu
发表时间：2019/12/11
论文链接：https://paper.yanxishe.com/review/13547?from=leiphonecolumn_paperreview0324
推荐原因
本文研究意义：
当下AI模型的实验数据集都是小而多样的，这对于后续模型的训练都会造成很大的影响，在此背景下，本文介绍了一项新颖的数据调度方法——多任务模型，以帮助避免过度训练或训练不足。为了验证该方法是否可行，作者分别在12个视觉和语言数据集上进行了实验，结果表明，使用这种方法后，我们的单一多任务模型优于12个单一任务模型，这一新方法也为后续的研究带来了新潮流。
论文名称：Meta-Transfer Learning for Zero-Shot Super-Resolution
作者：Soh Jae Woong /Cho Sunwoo /Cho Nam Ik
发表时间：2020/2/27
论文链接：https://paper.yanxishe.com/review/12829?from=leiphonecolumn_paperreview0324
推荐原因
这篇论文被CVPR 2020接收，考虑的是零样本超分辨率的问题。
以往的零样本超分辨率方法需要数千次梯度更新，推理时间长。这篇论文提出用于零样本超分辨率的元转移学习。基于找到适合内部学习的通用初始参数，所提方法可以利用外部和内部信息，一次梯度更新就可以产生相当可观的结果，因此能快速适应给定的图像条件，并且应用于大范围图像。
论文名称：ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network
作者：Liu Yuliang /Chen Hao /Shen Chunhua /He Tong /Jin Lianwen /Wang Liangwei
发表时间：2020/2/24
论文链接：https://paper.yanxishe.com/review/12441?from=leiphonecolumn_paperreview0324
推荐原因
这篇论文被CVPR 2020接收，考虑的是场景文本检测和识别的问题。
现有方法基于字符或基于分段，要么在字符标注上成本很高，要么需要维护复杂的工作流，都不适用于实时应用程序。这篇论文提出了自适应贝塞尔曲线网络（Adaptive Bezier-Curve Network ，ABCNet），包括三个方面的创新：1）首次通过参数化的贝塞尔曲线自适应拟合任意形状文本；2）设计新的BezierAlign层，用于提取具有任意形状的文本样本的准确卷积特征，与以前方法相比显著提高精度；3）与标准图形框检测相比，所提贝塞尔曲线检测引入的计算开销可忽略不计，从而使该方法在效率和准确性上均具优势。对任意形状的基准数据集Total-Text和CTW1500进行的实验表明，ABCNet达到当前最佳的准确性，同时显著提高了速度，特别是在Total-Text上，ABCNet的实时版本比当前最佳方法快10倍以上，且在识别精度上极具竞争力。
论文名称：Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval
作者：Bhunia Ayan Kumar /Yang Yongxin /Hospedales Timothy M. /Xiang Tao /Song Yi-Zhe
发表时间：2020/2/24
论文链接：https://paper.yanxishe.com/review/12442?from=leiphonecolumn_paperreview0324
推荐原因
这篇论文被CVPR 2020接收，考虑的是基于草图的细粒度图像检索，即在给定用户查询草图的情况下检索特定照片样本的问题。
绘制草图花费时间，且大多数人都难以绘制完整而忠实的草图。为此这篇论文重新设计了检索框架以应对这个挑战，目标是以最少笔触数检索到目标照片。这篇论文还提出一种基于强化学习的跨模态检索框架，一旦用户开始绘制，便会立即开始检索。此外，这篇论文还提出一种新的奖励方案，该方案规避了与无关的笔画笔触相关的问题，从而在检索过程中为模型提供更一致的等级列表。在两个公开可用的细粒度草图检索数据集上的实验表明，这篇论文所提方法比当前最佳方法具有更高的早期检索效率。
论文名称：PointAugment: an Auto-Augmentation Framework for Point Cloud Classification
作者：Li Ruihui /Li Xianzhi /Heng Pheng-Ann /Fu Chi-Wing
发表时间：2020/2/25
论文链接：https://paper.yanxishe.com/review/12686?from=leiphonecolumn_paperreview0324
推荐原因
这篇论文被CVPR 2020接收，要解决的是点云分类的问题。
这篇论文提出了一个名为PointAugment的点云分类框架，当训练分类网络时，该框架会自动优化和扩充点云样本以丰富数据多样性。与现有的2D图像自动增强方法不同，PointAugment具有样本感知功能，并采用对抗学习策略来共同优化增强器网络和分类网络，学习生成最适合分类器的增强样本。PointAugment根据形状分类器和点位移来构造可学习的点增强函数，并根据分类器的学习进度精心设计损失函数以采用增强样本。PointAugment在改善形状分类和检索中的有效性和鲁棒性得到了实验的验证。
雷锋网雷锋网雷锋网
相关文章：
今日 Paper | CVPR 2020 论文推荐：Social-STGCNN；无偏场景图生成；深度人脸识别；4D 关联图等
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
