2021年春季学期视觉计算实验室第五周论文研读预告

时间: 2021年3月31日(周三) 09 : 30
地点: 望江校区基础教学楼B座318实验室
研读成员: 杨勇 王心翌

Part1
分享者:杨勇
分享内容:
[1] Zhao Z, Xu S, Zhang C, et al. DIDFuse: Deep image decomposition for infrared and visible image fusion[J]. arXiv preprint arXiv:2003.09210, 2020.
[2] Li H, Wu X J, Kittler J. MDLatLRR: A novel decomposition method for infrared and visible image fusion[J]. IEEE Transactions on Image Processing, 2020, 29: 4733-4746.

论文简介:
[1] 论文提出了一种新颖的基于自动编码器的融合网络,其核心思想是,编码器将图像分别分解为具有低频和高频信息的背景和细节特征图,并且解码器恢复原始图像。为此,损失函数使源图像的背景/细节特征图相似/不相似。在测试阶段,通过融合模块分别合并背景特征图和细节特征图,并通过解码器恢复融合后的图像。

图1 网络结构图

[2] 图像分解对于许多图像处理任务至关重要,因为它可以从源图像中提取显着特征。好的图像分解方法可能会导致更好的性能,尤其是在图像融合任务中。本文提出了一种基于潜在低秩表示(LatLRR)的多级图像分解方法,称为MDLatLRR。这种分解方法适用于许多图像处理领域。在本文中,专注于图像融合任务。本文基于MDLatLRR构建了一个新颖的图像融合框架,该框架用于将源图像分解为细节部分(显着特征)和基础部分。基于核范数的融合策略用于融合细节部分,基础部分由平均策略融合。

图2 融合流程图

Part2
分享者:王心翌
分享内容:胶囊网络
[1] Shen Z, Deng S P, Huang D S. Capsule Network for Predicting RNA-Protein Binding Preferences Using Hybrid Feature[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020.
[2] Song J, Tian S, Yu L, et al. AC-Caps: Attention Based Capsule Network for Predicting RBP Binding Sites of LncRNA[J]. Interdisciplinary Sciences Computational Life Sciences, 2020(3).

论文简介:
[1] RNA-蛋白质结合在基因表达领域发挥着重要作用。本文提出了一种改进的胶囊网络模型iCapsule来预测RNA-蛋白质结合问题,该网络使用胶囊网络来替代传统的CNN。相较于CNN,胶囊网络的优势是用更少的数据学习一类特征并考虑特征间的空间位置关系,帮助模型捕获到更全面的翻译因子信息。实验结果表明,作者提出的方法在该领域的性能优于三种基准方法。

图3 iCapsule模型架构图

[2] LncRNA在许多生物学过程中起着关键作用。研究lncRNA链上的RNA结合蛋白(RBP)结合位点有助于揭示表观遗传和转录后机制,探索肿瘤的生理和病理过程,并发现新的治疗突破。本文采用一种基于高阶统计的编码方案,将编码后的lncRNA序列送入混合深度学习结构AC-Caps。它由联合处理层和胶囊网络组成,其中联合处理层包括注意力机制和卷积神经网络。实验结果表明,AC-Caps方法能够可靠地处理大规模的LncRNA链上的RBP结合位点数据,其预测性能优于现有的深度学习模型。

图4 AC-Caps模型架构图