【20191002】有趣的论文及代码推介

【ICCV 2019】Dynamic Graph Attention for Referring Expression Comprehension （动态图注意网络）

代码地址：https://github.com/ronghanghu/lcgn

VQA任务通常需要对给定任务上下文中对象之间的关系进行推理。例如，要回答盘子上的杯子是什么颜色?？我们必须检查特定杯子的颜色，以满足盘子上的关系。最近的研究工作提出了各种复杂关系推理的方法，然而，它们的能力大多在推理结构上，对场景的理解不够深入。在本文中，我们提出了一个通用的语言条件图网络（LCGN）框架，建立视觉场景中对象的上下文表示以支持关系推理，其中每个节点代表一个对象，并通过文本输入的迭代消息传递来描述相关对象的感知表示。例如，调节与plate的on关系，对象mug收集来自对象plate的消息，以将其表示更新为mug on the plate，这可以很容易地被简单分类器用于答案预测。实验结果表明，LCGN方法能够有效地支持关系推理，并在多个VQA数据集上提高了性能。

【ICCV 2019】A Comprehensive Overhaul of Feature Distillation

代码地址：https://github.com/clovaai/overhaul-distillation

该论文提出了一种新的特征蒸馏方法，其中蒸馏损失在三方面发挥作用：teacher transform, student transform, distillation feature position。论文创新点在于：newly designed margin ReLU, 新的 distillation feature position, 和 partial L2 distance function。

在ImageNet中，该方法使用ResNet50实现了21.65％的 top-1 error，其优于教师网络ResNet152的性能。该方法在图像分类，对象检测和语义分割等任务上均取得了性能提升。

【CVPR 2019】A Bayesian Perspective on the Deep Image Prior

项目地址：https://people.cs.umass.edu/~zezhoucheng/gp-dip/ 代码地址：https://github.com/ZezhouCheng/GP-DIP

Deep Image Prior （CVPR2019）在图像增强、去噪等领域取了较好的效果。在这篇CVPR2019来自麻省大学的论文中，作者证明了Deep Image Prior是渐近地等同于平稳高斯过程，并推导相应的高斯核。 同时，作者使用使用随机梯度Langevin动力学进行后验推断，避免了早期停止迭代（这是Deep Image Prior的一个显著不足），并且能够显著改善去噪和inpainting的效果。