AMiner会议论文推荐第五十八期

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

CVPR 2021 论文推荐

Track to Detect and Segment: An Online Multi-Object Tracker(从跟踪到检测和分割：在线多目标跟踪器)

论文链接：https://www.aminer.cn/pub/6051cd7891e011c24e59909e?conf=cvpr2021

推荐理由： 大多数在线多物体跟踪器都是在神经网络中独立进行物体检测，而没有任何跟踪的输入。本文提出了一种新颖的在线联合检测和跟踪模型TraDeS(TRACK to DEtect and Segment)，利用跟踪线索辅助端到端检测。该模型通过成本量来推导对象跟踪抵消，用于传播之前的对象特征，以提高当前对象的检测和分割能力。作者在4个数据集上展示了TraDeS的有效性和优越性，上述数据集包括MOT（2D跟踪）、nuScenes（3D跟踪）、MOTS和Youtube-VIS（实例分割跟踪）。

Student-Teacher Learning from Clean Inputs to Noisy Inputs(学生与教师从干净的输入到嘈杂的输入进行学习)

论文链接：https://www.aminer.cn/pub/6050798891e0111e1cd4699f?conf=cvpr2021

推荐理由： 基于特征的师生学习，是一种鼓励学生隐藏特征以模仿教师网络特征的训练方法，它在经验上成功地将知识从预先训练的教师网络转移到学生网络。此外，最近的实证结果表明，即使学生的输入样本被噪声破坏，教师的特征也能提升学生网络的泛化能力。然而，目前对于这种异构任务之间为什么以及何时能够成功地转移知识的方法仍缺乏理论上的见解。作者使用深度线性网络对这种方法进行理论分析，并使用非线性网络进行实验。该工作发现上述方法成功有三个重要因素：(1)学生是否被训练成零训练损失;(2)老师在清洁输入问题上的知识水平如何;(3)老师如何在其隐藏特征中分解其知识。这三个因素中的任何一个因素缺乏适当的控制，都会导致师生学习法的失败。

Behavior-Driven Synthesis of Human Dynamics(行为驱动的人体动力学综合)

论文链接：https://www.aminer.cn/pub/604774f791e0116b67c7927f?conf=cvpr2021

推荐理由： 生成和表示人类行为对于各类计算机视觉应用具有重要意义。常见的人体视频合成将行为表示为姿势序列，同时直接预测其可能的发展过程，或仅改变被描绘者的外观，因此在合成过程中无法对其实际行为进行控制。受控的行为合成和跨个体的转移需要对身体动力学有深刻的理解，并要求有一个独立于外观的行为表现以及独立于具体姿势的表现。在这项工作中，作者提出了一个用于人类行为合成的模型，该模型可以学习一个独立于姿势的人类动态的专用表示。利用这个表示，该工作能够改变一个人在任意姿势下的行为描述，甚至直接转移在给定视频序列中观察到的行为。作者展示了其方法在新任务上的有效性，从定量和定性两方面评估了捕捉、转移和取样细粒度、多样化的行为。

AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/

#AMiner# #论文#