今日 Paper｜PolarMask；時間序列；面部表情編輯；ELECTRA 等

目錄

PolarMask： 一階段例項分割新思路

特例化的時間序列模型特徵重要度度量

Cascade EF-GAN：以區域性焦點進行漸進式面部表情編輯

ELECTRA：預訓練文字編碼器 作為鑑別器而不是生成器

FOAL：用於心臟運動估計的快速線上自適應學習

PolarMask: 一階段例項分割新思路

論文名稱：PolarMask： Single Shot Instance Segmentation with Polar Representation

作者：Enze Xie

發表時間：2019/12/24

論文連結：https：//paper。yanxishe。com/review/13545？from=leiphonecolumn_paperreview0325

推薦原因

本文的研究意義：

在本文中，作者介紹了一種新的單例項分割方法——PolarMask，該方法完全卷積且網路結構簡單，可以最大限度的將其嵌入到大多數現成的檢測方法中使用。透過PolarMask方法可以將例項分割問題轉化為研究中心分類和極座標距離迴歸的輪廓預測問題。此外，作者還對處理高質量取樣的中心示例和密集距離迴歸最佳化進行了探索，發現採用該方法可以顯著提高效能並簡化訓練過程。最後作者透過實驗證明了提出的PolarMask框架在例項分割任務中是明顯優於其他的方法。

特例化的時間序列模型特徵重要度度量

論文名稱：What went wrong and when？ Instance-wise Feature Importance for Time-series Models

作者：Sana Tonekaboni /Shalmali Joshi /David Duvenaud /Anna Goldenberg

發表時間：2020/3/5

論文連結：https：//paper。yanxishe。com/review/13468？from=leiphonecolumn_paperreview0325

推薦原因

1 核心問題：

本文主要研究的是探究在時間序列模型中，何種特徵在哪個時間段對預測結果影響最大的問題。

2 創新點：

在在時間序列分析中，大部分特徵重要度的分佈模型都把注意力放在全域性級別的重要度中，但是，全域性級別的的重要度可能無法產生對個體樣本例項的區域性解釋，此類模型不利於使用者理解某個特例的模型結果。本文的工作則聚焦在時間序列中例子級別的特徵重要度，提出了一個通用的時間序列觀測重要度度量方法。該方法在個體歷史資料的分佈中取樣，基於合理的反事實上的積分，去估計了在觀測前後預測分佈的差異來度量重要度。根據該方法，可以得到在不同時間上的相關特徵複雜度，並且可以得到每個特徵最有影響力（重要度最高）的特定時間點。

3 研究意義：

（1）本文將得到的重要度度量，和基於梯度的解釋，注意力機制以及其他基準在模擬和臨床ICU資料的結果進行了比較，說明了本文的方法可以生成最精確的結果（2）同時，本模型還具有價格低廉，通用的特點（3）並且可以使用在任意複雜時間序列模型和預測器中（4）最後，本文提出的設計是唯一一個對時間序列中每一個特徵都可以確定其重要時間點的方法。

Cascade EF-GAN：以區域性焦點進行漸進式面部表情編輯

論文名稱：Cascade EF-GAN： Progressive Facial Expression Editing with Local Focuses

作者：Wu Rongliang /Zhang Gongjie /Lu Shijian /Chen Tao

發表時間：2020/3/12

論文連結：https：//paper。yanxishe。com/review/14229？from=leiphonecolumn_paperreview0325

推薦原因

這篇論文被CVPR 2020接收，考慮的是面部表情編輯的問題。

生成對抗網路易於在表達密集區域周圍產生偽影和模糊，且在處理諸如從憤怒到笑的轉換時，常會引入不希望的重疊偽影。為克服這些侷限性，這篇論文提出級聯表情聚焦生成對抗網路（Cascade Expression Focal GAN，Cascade EF-GAN），能以區域性表情為重點進行漸進式面部表情編輯。引入區域性焦點後，Cascade EF-GAN可以更好保留與身份相關的特徵和眼睛、鼻子、嘴巴周圍的細節，從而進一步減少生成的面部影象中的偽影和模糊。此外，透過將大型面部表情轉換分成多個小面部表情，這篇論文還設計了一種新的級聯轉換策略，這有助於抑制重疊的偽像並在處理大間隙表情轉換時產生更逼真的編輯效果。在兩個公開面部表情資料集上進行的大量實驗表明，Cascade EF-GAN具有出色的面部表情編輯效能。

ELECTRA：預訓練文字編碼器 作為鑑別器而不是生成器

論文名稱：ELECTRA： PRE-TRAINING TEXT ENCODERS AS DISCRIMINATORS RATHER THAN GENERATORS

作者：Kevin Clark /Minh-Thang Luong /Quoc V。 Le /Christopher D。 Manning

發表時間：2020/9/24

論文連結：https：//paper。yanxishe。com/review/14226？from=leiphonecolumn_paperreview0325

推薦原因

本文重點：隨著bert的爆發，現在在NLP領域眾多的預訓練語言模型已經成為當下的熱點，這篇論文完成了類似的工作

創新點：在NLP領域擁有語言模型 （LM）和掩碼語言模型（MLM），其中BERT就是掩碼語言模型。而本論文提出了一種新的任務replaced token detection，它像語言模型，又像掩碼語言模型。它像MLM一樣訓練一個雙向模型，也像LM一樣學習所有輸入位置。它使用偽token替換真實的token。首先使用一個生成器預測句中被mask掉的token，接下來使用預測的token替代句中的［MASK］標記，然後使用一個判別器區分句中的每個token是原始的還是替換後的。

研究意義：他超過了之前的BERT和XLNET模型。

FOAL：用於心臟運動估計的快速線上自適應學習

論文名稱：FOAL： Fast Online Adaptive Learning for Cardiac Motion Estimation

作者：Yu Hanchao /Sun Shanhui /Yu Haichao /Chen Xiao /Shi Honghui /Huang Thomas /Chen Terrence

發表時間：2020/3/10

論文連結：https：//paper。yanxishe。com/review/14059？from=leiphonecolumn_paperreview0325

推薦原因

這篇論文被CVPR 2020接收，考慮的是心臟運動估計的問題。

心臟MRI影片動態估計對於評估人體心臟的解剖結構和功能至關重要。在臨床部署中，由於訓練和測試資料集之間分佈不匹配，深度學習模型的效能急劇下降。這篇論文提出了一種新的快速線上自適應學習（Fast Online Adaptive Learning ，FOAL）框架，包括一種基於線上梯度下降的最佳化器，該最佳化器由元學習器進行最佳化。元學習器使線上最佳化器能夠執行快速而強大的調整。這篇論文透過在兩個公共臨床資料集上的廣泛實驗評估了所提方法。結果表明，與離線訓練的跟蹤方法相比，FOAL準確性更高。

雷鋒網雷鋒網雷鋒網