空间注意力网络；深度信念网络；GhostNet；位置预测等

  目录

VSGNet：基于图卷积的人体物体交互检测的空间注意力网络

用单个深度学习模型代替移动相机ISP

基于深度信念网络来识别阿尔兹海默症的蛋白质组危险标志物

分层时空LSTM在位置预测中的应用

GhostNet：廉价运营带来的更多功能

  VSGNet：基于图卷积的人体物体交互检测的空间注意力网络

论文名称：VSGNet: Spatial Attention Network for Detecting Human Object Interactions Using Graph Convolutions

作者：Ulutan Oytun /Iftekhar A S M /Manjunath B. S.

推荐原因

本文已被CVPR2020接收。全面的视觉理解邀请检测框架能够在分析单个对象时能够有效学习和利用对象之间额交互，这是人体物体交互 (Human-Object Interaction, HOI) 检测任务的主要目标。本文提出了可视空间图网络 (Visual-Spatial-Graph Network, VSGNet) ，其从人体-物体数据对中提取视觉特征，使用空间配置来完善特征，并通过图卷积建立对象之间的结构连接。作者在V-COCO和HICO-DET两个数据集上彻底地评价了VSGNet，实验结果表明，VSGNet在V-COCO中的性能比目前最优方法高出8％或4 mAP，在HICO-DET中有16％或3 mAP的提升。

  用单个深度学习模型代替移动相机ISP

论文名称：Replacing Mobile Camera ISP with a Single Deep Learning Model

作者：Andrey Ignatov

推荐原因

本文研究意义

本文是一篇关于解决在各种复杂环境下移动端拍摄图像遇到问题的文章。作者从移动端拍摄图像时通常遇到的噪声、雾化、夜景等角度引出目前面临的问题，并且从软硬件的角度阐述了目前存在弊端的客观原因，在此背景下提出了一种用于解决上述问题的新算法——PyNET。对于这种算法，作者从他的网络框架、模型损失函数、模型适配环境等方面进行了说明，最后通过实验验证，证实了该算法可以有效地解决上述移动端拍摄图像时遇到的各种问题。

  基于深度信念网络来识别阿尔兹海默症的蛋白质组危险标志物

论文名称：A deep belief network-based method to identify proteomic risk markers for Alzheimer disease

作者：Ning An /Liuqi Jin /Huitong Ding /Jiaoyun Yang /Jing Yuan

推荐原因

1 核心问题

尽管大量研究已正式确定载脂蛋白E（APOE）是阿尔茨海默氏病的主要遗传风险标志物，但越来越多的证据支持可能存在其他危险标记的观点。然而，传统针对阿尔兹海默症的分析方法并不能充分利用其蕴含的丰富的蛋白质表达信息，尤其是对于特征之间的连接关系上。本文针对的是使用深度信念神经网络识别阿尔兹海默症蛋白组危险标记的核心问题。

2 创新点

该论文提出了一个识别阿尔兹海默症的治病因素的新型特征选择方法，并应用在蛋白质组数据和临床数据上。此方法将网络节点的权重设置为信号蛋白表达值的重要度排序序号。

3 研究意义

1）此方法帮助选择一个最优子蛋白序列，并实现了90%的准确度，此结果超越了针对阿尔兹海默症诊断的传统方法2）在识别蛋白组危险标记和加强新陈代谢危险因子和阿尔兹海默症之间联系的同时，本文同时还指出脂联素连接的途径可能是药物治疗的靶点。

  分层时空LSTM在位置预测中的应用

论文名称：HST-LSTM: A Hierarchical Spatial-Temporal Long-Short Term Memory Network for Location Prediction

作者：Dejiang Kong

推荐原因

针对目前学术界研究的位置轨迹定位问题，本文提出了一种新颖的时空LSTM模型进行研究。与以往的研究方法相比，作者采用ST-LSTM模型，将时空因素引入门控机制从而缓解数据的稀疏性问题。除此之外，作者采用分层架构结合利用上下文历史访问信息来提高位置预测的准确性。通过实验验证，证明了该方法的有效性。

  GhostNet：廉价运营带来的更多功能

论文名称：GhostNet: More Features from Cheap Operations

作者：Kai Han1

推荐原因

本文提出了一种新颖的Ghost模块，通过廉价的操作就可以生成更多的功能图，这些功能图可用于构建有效的神经体系结构。其中，本文提出的Ghost模块，它是将原始的卷积神经网络（CNN）中的卷积层分为两部分，通过使用较少的过滤器生成了新的固有特征图。然后，通过一定数量的廉价转化操作，进一步应用于有效生成幻影特征图。最后作者在数据集上进行实验，实验表明，该方法将原始模型在保持可比性能的同时转换为紧凑型的即插即用模块，除此之外，新模块构建的GhostNet在结构率和准确性方面均优于传统的神经网络。

雷锋网雷锋网雷锋网