今日 Paper | 社交媒体谣言检测；连续手语识别；细粒度服装相似性学习；混合图神经网络等

基于双向图卷积神经网络的社交媒体上谣言检测

论文名称：Rumor Detection>作者：Bian Tian /Xiao Xi /Xu Tingyang /Zhao Peilin /Huang Wenbing /Rong Yu /Huang Junzhou

发表时间：2020/1/17

论文链接：https://paper.yanxishe.com/review/9323?from=leiphonecolumn_paperreview0218

推荐原因

近些年,人们对于社交媒体上的虚假新闻和谣言逐渐关注的起来. 一些虚假的新闻/谣言在经过社交媒体的放大后将产生比较大的影响,甚至造成公众恐慌. 一些工作尝试利用各种深度模型来提升检测效果.本文设计另一种双向图卷积神经网络来同时从上到下+从下到上的进行谣言检测.实验结果也验证了本文算法的有效性。

用于连续手语识别的时空多线索网络

论文名称：Spatial-Temporal Multi-Cue Network for Continuous Sign Language Recognition

作者：Zhou Hao /Zhou Wengang /Zhou Yun /Li Houqiang

发表时间：2020/2/8

论文链接：https://paper.yanxishe.com/review/11180?from=leiphonecolumn_paperreview0218

推荐原因

这篇论文要解决的是连续手语识别的问题。

以往的深度学习模型在连续手语识别任务中只关注了最具区分性的特征，而忽略了其他视觉线索，例如手型、面部表情和身体姿势。这篇论文将多线索学习和神经网络相结合，提出了一个名为STMC的时空多线索网络来解决这个问题。STMC网络由空间多线索（SMC）模块和时间多线索（TMC）模块组成，其中SMC模块用于空间表示，并借助一个独立的姿势估计模块来分解不同线索的视觉特征，TMC模块沿两个平行路径对时间相关性进行建模。这篇论文还提出了一个联合优化策略来实现STMC的端到端学习。在三个大型CSLR基准上的实验结果表明这篇论文所提出的方法取得了最好的性能表现。

基于属性特定嵌入网络的细粒度服装相似性学习

论文名称：Fine-Grained Fashion Similarity Learning by Attribute-Specific Embedding Network

作者：Ma Zhe /Dong Jianfeng /Zhang Yao /Long Zhongzi /He Yuan /Xue Hui /Ji Shouling

发表时间：2020/2/7

论文链接：https://paper.yanxishe.com/review/10992?from=leiphonecolumn_paperreview0218

推荐原因

这篇论文要解决的是细粒度服饰相似度度量的问题

细粒度服饰相似度度量可以用于服饰相关的应用，例如服饰版权保护。这篇论文提出了名为ASEN的特定属性嵌入网络，来端到端联合学习多个指定属性嵌入，因此在相关空间能度量细粒度相似度。在使用基于属性的空间注意力与基于属性的通道注意力模块后，ASEN能定位到相关区域，并在特定属性的指引下捕获必要的模式，因此使得习得的属性特定嵌入信息能更好地表示细粒度相似度。这篇论文被AAAI 2020接收，作者也放出了数据和代码。

混合图神经网络在人群计数中的应用

论文名称：Hybrid Graph Neural Networks for Crowd Counting

作者：Luo Ao /Yang Fan /Li Xin /Nie Dong /Jiao Zhicheng /Zhou Shangchen /Cheng Hong

发表时间：2020/1/31

论文链接：https://paper.yanxishe.com/review/10871?from=leiphonecolumn_paperreview0218

推荐原因

这篇论文考虑的是人群计数问题。

这篇论文提出了一个新的混合图神经网络（HyGnn）模型，通过将人群密度的多尺度特征及其辅助任务交织在一起。HyGnn集成了一个混合图，以将不同比例的特定于任务的特征图表示为节点，以及两种类型的关系作为边。这两种关系分别为：1、多尺度关系，用于捕获跨尺度的特征依赖关系；2、互利关系，为计数和本地化之间的合作搭建桥梁。通过消息传递，HyGnn可以提取节点之间的丰富关系以获得更强大的表示特征，从而获得可靠而准确的结果。HyGnn在ShanghaiTech Part A、ShanghaiTech Part B、UCF_CC_50和UCF_QNRF这四个具有挑战性的数据集上表现出色，超过了目前的最新方法。