2020年秋季学期视觉计算实验室第十六周论文研读预告

时间: 2021年01月14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]Luo H, Gu Y, Liao X, et al. Bag of tricks and a strong baseline for deep person re-identification[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2019: 1487-1495.
[2]Luo H, Jiang W, Zhang X, et al. AlignedReID++: Dynamically matching local information for person re-identification[J]. Pattern Recognition, 2019, 94: 53-61.
[3]Zhang X, Luo H, Fan X, et al. Alignedreid: Surpassing human-level performance in person re-identification[J]. arXiv preprint arXiv:1711.08184, 2017.

论文简介:
[1]近年来,具有深度神经网络的人员重新识别(Re-ID)取得了进展并取得了高性能。但是,许多最新的方法都设计了复杂的网络结构并连接了多分支特征。为了进行比较,本文归纳在ECCV2018和CVPR2018上发表的文章。大多数以前的工作都是在较差的基准上进行的。有些作品与其他最新方法相比不公平,改进往往来自训练技巧,而不是方法本身。本文将归纳和评估目前有效的Re-ID训练技巧,包括预热学习率(Warmup)、随机擦除数据增强(REA)、标签平滑(LS)、批次归一化Neck(BNNeck)和中心损失(Center Loss)。通过将这些技巧结合在一起,并设计一个强大的行人重识别基线(Re-ID Baseline),该模型仅使用全局特征即可在Market1501上实现94.5%的rank-1和85.9%的mAP。

---Re-ID---------

图1 强大的Re-ID基线模型流程示意图
[2]在计算机视觉中,行人重识别依然是一项具有挑战性的任务。一方面:先前的大多数工作都集中在使用卷积神经网络(CNN)学习一个人的全局特征上,通过简单的分类损失或深度度量学习损失以进行训练,但这些基于全局特征的方法很难解决包括姿态变化、光照变化和遮挡等问题。另一方面:为了学习更好的局部特征,一些研究者引入 人体姿势估计模型,用于获取人体姿势点,匹配不同的人体部位或对齐视点。但训练人体姿势估计模型需要额外标记数据,获取人体姿势点需要更多的GPU资源。

为此,本文提出了一种新颖的Re-ID框架,称为AlignedReID ++,该框架包含一个局部特征学习分支和全局特征学习分支,其中局部分支可以指导全局分支学习更多有区别的全局特征。并提出一种称为动态匹配本地信息(DMLI) 的新方法,该方法可以动态对齐水平条纹,而无需额外的监督或显式的姿态估计。所提出的方法可以轻松地应用于几乎所有基于CNN的人员Re-ID框架。在某种程度上,DMLI可以解决由于错误的行人检测框,变化的视角,遮挡等导致的人体姿势变化。

-------------

图2 动态匹配局部信息(DMLI)示意图

Part2
分享者: 姚林
分享内容:
[1] Peng J , Xue H , Wei Z , et al. Integrating multi-network topology for gene function prediction using deep neural networks[J]. Briefings in Bioinformatics, 2020(1).
[2] Su X, You Z, Yi H. Prediction of LncRNA-Disease Associations Based on Network Representation Learning[A]. IEEE International Conference on Bioinformatics and Biomedicine (BIBM)[C]. Seoul: 2020.
论文简介:
[1]丰富的生物网络的出现得益于先进的高通量技术的发展,有助于描述和模拟基因和蛋白质等生物实体之间复杂的内部相互作用。多重网络为推断基因或蛋白质的功能提供了丰富的信息。近年来,基于网络嵌入技术的基因功能模式提取方法在基因功能预测方面取得了显著的成绩,其目的是获取基于网络生物学的非线性低维特征表示。然而,现有的方法在特征学习过程中没有考虑不同网络间的共享信息。
考虑到网络间的相关性,本文提出了一种新的多网络嵌入方法DeepMNE-CNN来预测基因功能。然后利用基于集成特征嵌入的卷积神经网络对未标记的基因功能进行标注。DeepMNE CNN主要包含两个部分。其中一个是多网络嵌入框架,该框架利用一种新的半自动进化算法,将输入网络映射到一个低维非线性空间,并考虑先验信息约束,从而学习基因特征。 另一个组成部分是基于CNN的功能预测器,它使用卷积神经网络来预测基因功能。

DeepMNE-CNN

图3 DeepMNE-CNN的算法流程

[2]大量观察表明,长非编码RNA(lncRNAs)在许多生物学过程中起着重要作用,并与多种人类疾病有关。建立一个有效的计算模型来预测lncRNA与疾病的相关性,不仅有利于疾病的诊断、治疗、预后以及药物发现中潜在的药物靶点,而且避免了生物实验带来的人力物力的浪费。
本文提出了一种基于复杂综合分子关联网络(MAN)的lncRNA疾病关联预测方法,该方法综合了lncRNA、miRNA、疾病、药物和蛋白质等五种分子间的九种相互作用。采用网络嵌入Node2vec方法提取分子关联网络的行为特征,生成包含节点和边缘信息的低维向量。对比实验表明,Node2vec提取的行为特征比采用3-mer的lncRNA属性特征和语义相似度提取的疾病特征更具代表性。

----

图4 分子关联网络的构建
123