2020年秋季学期视觉计算实验室第一周论文研读预告

时间: 2020年09月24日(本周四) 09 : 00
地点: 望江校区基础教学楼B座318实验室
研读成员: 明章强 姚林

Part1
分享者: 明章强
分享内容:
[1]Yifan Sun, Liang Zheng, Yi Yang, Qi Tian, Shengjin Wang.Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline) [J].ECCV, 2018, pp. 480-496.
[2]Yukun Huang, Zheng-Jun Zha, Xueyang Fu, Richang Hong, Liang Li.Real-World Person Re-Identification via Degradation Invariance Learning [J].CVPR, 2020, pp. 14084-14094.
论文简介:
[1]在最近大量文献中已证明,利用行人图像描述的部分特征可以提供细粒度的信息,并能够提高行人检索的准确率。局部发现的前提是每个局部都应放置在适当的位置。
本文在不使用外部提示(例如姿势估计)直接定位局部,而是着重于每个局部内的内容一致性,提出名为基于局部特征提取的卷积基线网络(PCB),PCB采用统一的分区方式,将图像均匀分割为固定的p个横条纹。由于PCB统一分区使得每个分区不可避免的存在离散值,而这些离散跟它相邻的分区更为相似。为解决这问题,本文提出改进的局部合并方法(RPP),RPP能够将每个分区的离散值分配给它更接近的分区,并使得每个分区的内部一直性得到增强。本文在Market-1501数据集上测试,证明PCB使用最先进的方法获得了竞争性结果,PCB可作为行人检索的强大卷积基线。
pcb

图1 PCB结构图

[2]现实场景中的人员重新识别(Re-ID)通常受到各种降级因素的影响,例如分辨率低,照明弱,模糊和不利天气等。一方面,这些降级导致严重的区别性信息丢失,这极大地阻碍了行人身份特征学习。另一方面,由低级视觉变化引起的特征不匹配问题会大大降低检索性能。解决此问题的一个直观解决方案是利用低级图像恢复方法来提高图像质量。但是,由于各种限制,例如参考样本的要求,合成与现实之间的跨域差距以及低级和高级方法之间的不兼容,使得现有的恢复方法无法直接用于现实世界的Re-ID。
为此,本文提出了一种针对现实中ReID的降级不变性学习框架(DI-REID)表示学习策略。DI-REID首先合成自我降级的图像,在降级不变性学习阶段,将对齐的自降级图像对和非对齐的真实图像对依次用于训练DDGAN,这有助于缩小合成与现实之间的域差。对于身份表示学习,本文发现仅使用降级不变性学习表示不会带来出色的Re-ID性能。为此,本文设计了双重特征提取网络以同时提取两种类型的特征,此外还引入了用于降级指导的特征选择的注意力机制。DI-REID方法能够同时提取与身份相关的鲁棒性特征,并消除现实世界中的降级,而无需额外的监督。实验证明只需少量修改,该框架可以轻松扩展到其他现实世界的降级因素(如弱照明)。
DDGAN

图2 Degradation Decomposition Generative Adversarial Network(DDGAN)

Part2
分享者: 姚林
分享内容:
[1] 徐冰冰, 岑科廷, 黄俊杰, et al. 图卷积神经网络综述[J]. 计算机学报, 2020, 043(005):755-780.
[2] Xuan P, Pan S, Zhang T, et al. Graph Convolutional Network and Convolutional Neural Network Based Method for Predicting lncRNA-Disease Associations[J]. Cells, 2019, 8, 1012.
论文简介:
[1]过去几年,卷积神经网络因其强大的建模能力引起广泛关注,在自然语言处理、图像识别等领域成功应用。然而,传统的卷积神经网络只能处理欧氏空间数据,而现实生活中的许多场景,如交通网络、社交网络、引用网络等,都是以图数据的形式存在。将卷积神经网络迁移到图数据分析处理中的核心在于图卷积算子的构建和图池化算子的构建。文章主要包含三部分:图卷积算子的构建、图池化操作、图卷积的不同领域应用进展。
在论文分享的最后,将从实验室生物信息学的研究场景出发,讨论图卷积网络在不同层级问题上的应用可行性。

图3 生信领域的分子示意图和蛋白交互网络均为非欧数据

[2]长链非编码RNA(lncRNA)的异常表达通常与疾病相关,其识别鉴定有助于阐明复杂的发病机理。预测lncRNA与疾病关联的现有方法整合了相关的异质数据(lncRNA、疾病、miRNA),但未能深入整合其异构网络的拓扑信息。
文章提出了一种基于图卷积网络和卷积神经网络的新框架,称为GCNLDA,以推断与疾病相关的lncRNA候选物。首先构建了包含lncRNA、疾病、miRNA节点的异构网络。接着,根据有关lncRNA、疾病、miRNA的各种生物学基础,构建了lncRNA-疾病节点对的嵌入矩阵。基于上述两项工作,该框架能够分别学习lncRNA-疾病对的网络和局部表示。五重交叉验证表明,GCNLDA性能显著优于其他最新的预测方法。通过胃癌、骨肉瘤和肺癌的案例研究,证实GCNLDA可以成功推断出潜在的与疾病相关的lncRNA候选物。
yg-1

图4 包含三类节点的异构网络构造表示
123