2019年过去一小半了，这些深度学习研究值得一看！

转自：大数据文摘

转眼间2019年已经过去了快一半，这对于日新月异的深度学习技术已经算是很长一段发展时间。Open Data Science在Medium上整理了2019年到现在为止深度学习技术发布的精华成果，选择的论文都是在GitHub平台上有相关代码的论文。文摘菌为大家做了编译工作，希望大家紧跟时代的步伐～

用PyTorch Geometric实现快速图表示学习

这篇论文介绍了PyTorch Geometric，这是一个基于PyTorch（深度学习框架）的非结构化数据（如图形，点云和流形）深度学习库。除了通用图形数据结构和处理方法之外，它还包含关系学习和三维数据处理领域的各种最新方法。PyTorch Geometric通过利用稀疏GPU加速，提供专用CUDA内核以及为不同大小的输入样本引入高效小批量处理，从而实现了高数据吞吐量。

GitHub链接：

https://github.com/rusty1s/pytorch_geometric

蒙版得分R-CNN（Mask Scoring R-CNN）

在大多数计算机视觉的实例分割任务中，通常将实例分类的置信度作为实例分割框架的蒙版（mask）质量分数，这可能会出现偏差。这篇论文研究了这一问题，并提出了蒙版得分R-CNN（Mask Scoring R-CNN ），即用一个模块来学习预测实例蒙版的质量。蒙版评分策略校准了蒙版质量和分类评分之间的差异，并在对COCO数据集的平均准确度（AP）评估中优先考虑更为准确的蒙版预测来改善实例分割效果。

GitHub链接：

https://github.com/zjhuang22/maskscoring_rcnn

如何用更少标签生成高保真图像

深度生成模型是现代机器学习的基础。近期关于条件生成对抗网络（GAN）的研究表明，自然图像的复杂高维分布是可以学习的。虽然最新的模型能够生成高分辨率、高保真、多样化的自然图像，但它们往往依赖于大量标记数据。本论文展示了如何利用目前关于自主和半监督学习的研究，在无监督及条件设定下实现最高水平的ImageNet图像合成。

GitHub链接：

https://github.com/google/compare_gan

GCNv2：实时SLAM的高效响应预测

这篇论文介绍了GCNv2，一个用于生成关键点和描述符的深度学习网络。GCNv2建立在图卷积神经网络GCN之上，GCN是用于训练三维投影几何的网络。GCNv2使用二进制描述符向量作为ORB（Oriented FAST and Rotated BRIEF）特征，因此它可以轻松替换ORB-SLAM（一种基于ORB特征的三维即时定位与地图构建算法）等系统中的ORB。

GitHub链接：

https://github.com/jiexiong2016/GCNv2_SLAM

ALiPy：Python的主动学习

监督式的机器学习方法通常需要大量标记样本用于模型训练。但是，在许多实际应用中存在大量未标记的数据，已标记数据其实并不多，并且数据打标的成本很高。主动学习（AL）通过迭代地选择最有价值的数据样本并从标注器查询其标签，从而降低标注成本。这篇论文介绍了用于主动学习的Python 工具库 ALiPy。

GitHub链接：

https://github.com/NUAA-AL/ALiPy

DeepFashion2：用于服装图像的检测，姿势判断，实例分割和重新识别的多功能基准数据集

基准数据集DeepFashion提升了人们对服装时尚的理解，它具有丰富的标签，包括服装类别，标记和卖家秀-买家秀图像。然而，DeepFashion也有不可忽视的问题，例如每副图像只有单个服装类别，标记稀疏（仅4~8个），并且没有像素蒙版，这些都与现实场景有着显著差距。本论文介绍的DeepFashion2解决了上述问题。它是一个多功能数据集，包含四个功能，服装检测，姿势判断，实例分割和识别。

GitHub链接：

https://github.com/switchablenorms/DeepFashion2

星际争霸多智能体挑战赛

在过去几年中，深层多智能体强化学习（RL）一直是一个非常活跃的研究领域。这一领域中有非常具有挑战性的问题，就是局部观察、局部合作，和多智能体学习，在这种学习中各智能体必须学会基于自己的观察来与他人协调合作。这一研究领域非常吸引人，因为其中拥有大量现实世界相关的场景，并且这些问题比一般汇总问题更适合算法评估。诸如ALE（街机游戏模式学习环境）和MuJoCo（物理模拟引擎）之类的标准化环境使单智能体强化学习突破了小型领域，如网格世界。但是，合作式多智能体强化学习却缺乏相应的基准环境。因此，该领域的大多数论文都针对一次性小型问题，难以衡量实际效用。这篇论文提出的星际争霸多智能体挑战赛（SMAC）可以作为填补这一空白的基准问题。

GitHub链接：

https://github.com/oxwhirl/smac

Dropout - 随机δ规则特例：更快，更准确的深度学习

多层神经网络在文本、语音和图像处理等多种基准任务中表现出色。在分层模型中，非线性参数估计受到过拟合和误差的影响。这些估计及相关问题（局部最小值，共线性，特征发现等）的其中一种解决方法就是Dropout。Dropout算法在每次更新之前会根据具有先验概率p的Bernoulli随机变量暂时丢弃某些隐藏单元，从而对平均更新的网络产生随机“冲击”。本论文表明Dropout是一个称为随机δ规则（SDR）的更为通用模型的特例，这个模型最早于1990年发布。

GitHub链接：

https://github.com/noahfl/sdr-densenet-pytorch

Lingvo：用于序列到序列建模的模块化可扩展框架

Lingvo是一个Tensorflow框架，为协作深度学习研究提供完整的解决方案，侧重于序列到序列模型。Lingvo模型由模块化构件组成，灵活，易扩展，实验配置集中且高度可定制。它内置支持分布式训练和量化推理，附带大量关于实际应用，辅助函数和最新研究理念的实现代码。在过去两年中，Lingvo已被数十名研究人员使用，相关论文有20多篇。这篇论文概述了Lingvo的底层设计，并介绍了框架各个部分，同时还提供了高级功能示例，以展示框架能力。

GitHub链接：

https://github.com/tensorflow/lingvo

学习率动态边界的自适应梯度算法

自适应优化算法，如AdaGrad，RMSProp和Adam可以用来实现快速训练过程，且具有学习率的元素缩放项。尽管很流行，但与随机梯度下降算法SGD相比，它们的泛化能力较差，甚至会由于不稳定或极端的学习率而未能收敛。这篇论文证明极端学习率会导致算法表现不佳，并给出了Adam和AMSGrad算法的新变体，分别称为AdaBound和AMSBound，引入学习率的动态边界，实现从自适应方法到SGD的逐步平滑过渡，并给出收敛的理论证明。作者对各种流行任务和模型做了进一步的实验。实验结果表明，新变体可以消除自适应方法与SGD之间的泛化差距，同时在训练早期保持较高的学习速度。

GitHub链接：

https://github.com/Luolc/AdaBound

相关报道：

https://medium.com/@ODSC/best-deep-learning-research-of-2019-so-far-7bea0ed22e38

关注我们

FOLLOW US

微博丨睡前带你看未来