2020年春季学期视觉计算实验室第十四周论文研读预告

时间: 2020年6月4日 09: 00
地点: 四川大学视觉计算实验室钉钉群
研读成员: 闫建荣 梁朝晖

Part 1
分享者: 闫建荣
分享内容:
[1] Zheng, Zhedong, et al. “Joint Discriminative and Generative Learning for Person Re-Identification.” ArXiv Preprint ArXiv:1904.07223, 2019.
论文简介:
  行人重识别 (re-id)旨在建立不同相机之间的身份对应关系。由于不同的摄像机内部差异显著,行人重识别仍然保持着挑战性。本文试图从给定查询图像的非重叠摄像机中检索包含感兴趣的人的图像,因为不同相机拍摄的图像往往包含由背景、视角、人体姿态等变化引起的显著的类内变化,设计或学习能够尽可能抵抗类内变化的表示形式已经成为行人重识别的主要目标之一。
本文融入生成对抗网络,试图通过更好地利用生成的数据来改进已学习的re-id嵌入。作者提出了一个联合学习框架(DG-Net),将re-id学习和端到端的数据生成结合起来。本文的模型包括一个生成模块,它将每个人分别编码为一个外观代码和一个结构代码,以及一个与生成模块共享外观编码器的识别模块。生成模块通过切换外观代码或结构代码,生成高质量的cross-id(交叉实例)合成图像,在线并实时反馈给外观编码器,用于改进鉴别模块。提出的联合学习框架在不使用生成数据的情况下比基线有了显著的改进,从而在几个基准数据集上实现了最新的性能。
1

图1 DG-Net框架图

分享内容:
[2] Uhl, M., Tran, V. D., Heyl, F. & Backofen, R. GraphProt2: A novel deep learning-based method for predicting binding sites of RNA-binding proteins. 850024, doi:10.1101/850024 %J bioRxiv (2019).
论文简介:
  现有的研究GraphProt使用超图模型(hyper-graph)在预测RNA与蛋白质结合位点(RBP)的研究中起着重要的作用。在这里,我将介绍GraphProt的升级版GraphProt2,它一种基于图卷积神经网络(GCN)的RBP结合位点预测方法。GraphProt2使用了GCN,将输入序列编码为图形,允许以图形边缘的形式添加碱基对信息。此外,它支持可变大小的输入和位置特征,例如不成对的概率、保守性得分或区域类型信息。相比GraphProt,GraphProt2提供一种改进的边缘预测模式,即精确预测核苷酸方向结合特征的可能性得分,取得了优异的性能。
2

图2 GraphProt2预测框架图

Part 2
分享者: 梁朝晖
分享内容:
Yan, Jia, et al. “Visual Analysis of Collective Anomalies Using Faceted High-Order Correlation Graphs.” IEEE Transactions on Visualization and Computer Graphics, 2019, pp. 1–1.
论文简介:
  在这篇论文中,作者描述了基于分面高阶相关图(HOCG)概念的视觉分析框架来检测、分析和推理集体异常。HOCG捕捉了异质类型的对象和事件之间的多模态关系。它可以通过提供特定领域的异常检测方法,将其推广到各种类型的应用。利用随机漫步法,可以将事件的异常得分从被检测到的事件传播到其他事件,从而识别出集体的异常。
  此外,作者设计了一个交互式的可视化界面,可以对检测到的点状异常、它们的多模态关系、以及整个集体异常的潜在根源进行灵活可扩展的探索。用户可以在细节视图中深入到原始数据,验证他们的发现。作者用三个实际应用来证明了HOCG概念、分析框架和可视化系统的有效性。
3

图3 高阶相关图(HOCG)的可视化界面
123