论文推荐：中文分词，文本表示，CNN，Slam | 本周值得读 #32

Posted 2021-04-24 PaperWeekly

「本周值得读」是 PaperWeekly 的优质文章集合地。在这里，来自 NLP、CV、DL 等方向的学习达人，各自用精炼妙语推荐当下最新的高质量文章。 

这是第 32 篇「本周值得读」

➊

#CNN#

#SLAM# 

CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction

文章致力于解决目前单目 SLAM 中存在的问题：1. 真实距离的确定，2. 纹理特征较弱情况下稠密深度图像的获取，3. 相机在纯旋转运动情况下立体匹配失效。

文章使用 CNN 网络获取场景深度图像，并与 SLAM 获得的场景深度信息融合，保证了深度图像获取的稳定、准确性以及稠密性。而且，文章通过 CNN 网络获取场景分割结果，完成了首次协同进行场景的 3D 以及语义重建。

文章在两个公开数据集上，对比了 LSD-SLAM、ORB-SLAM、REMODE 算法，验证了文章中算法在：相机位姿精度、三维重建精度、相机旋转运动下算法稳定性方面的优势。

论文链接：https://arxiv.org/abs/1704.03489

推荐人：高增辉，西安交通大学（PaperWeekly arXiv组志愿者）

➋

#个性化#

#多模态# 

Attend to You: Personalized Image Captioning with Context Sequence Memory Networks

本文是 CVPR2017 的 paper，以 Instagram 为背景，包括两个任务：预测 image 的 hashtag，自动生成 image caption，工作的亮点在于生成 description 时考虑了个性化，相当于一个个性化的语言模型，模型是 Memory Network 的一个改进版。

论文链接：https://arxiv.org/abs/1704.06485v1

推荐人：大俊，PaperWeekly 首席客服

➌

#VQA#

#数据集# 

Being Negative but Constructively: Lessons Learnt from Creating Better Visual Question Answering Datasets

本文的工作基于一个实验观察，即让机器根据一幅图从包括正确答案的多个候选答案中进行选择，错误答案的设计对于模型的效果至关重要。本文基于此对之前的两个 VQA 数据集进行了改造，重新设计了原数据中的干扰选项，并给出了新的数据集。

论文链接：https://arxiv.org/abs/1704.07121 

推荐人：大俊，PaperWeekly 首席客服

➍

#RNN# 

Learning to Skim Text

RNN 在 NLP 领域非常解决问题，但长久以来 RNN 的训练问题也是一个让人头疼的问题。RNN 将文本中的每个 word 或者 char 依次读入，来进行分类、生成等任务，但其实其中有一些 word 并没有太多的意义。基于此，本文提出了一种所谓的 skim policy，让 RNN 对每个 word 有一个跳过的选择。实验结果表明，训练速度相比传统的 rnn 提升了 6 倍之多，准确率却几乎一致。本文工作来自 CMU 和 Google。

论文链接：https://arxiv.org/abs/1704.06877

推荐人：大俊，PaperWeekly 首席客服

➎

#中文分词# 

Adversarial Multi-Criteria Learning for Chinese Word Segmentation

本文是 ACL2017 的一篇 paper，作者来自复旦大学，其中一作是上周刚刚在 PaperWeekly 做了在线分享的陈新驰博士。中文分词是一个经典的基础问题，本文的亮点在于：（1）多标准训练；（2）引用了一种对抗策略来提升效果。

论文链接：https://arxiv.org/abs/1704.07556

推荐人：大俊，PaperWeekly 首席客服

❻

#文本表示# 

A Survey of Neural Network Techniques for Feature Extraction from Text

本文是一篇小综述，总结了一些比较经典的文本表示模型，从 n-gram、tf-idf 到 Paragraph Vector Model、Hierarchical Neural Autoencoder 等。本文适合刚刚进入该领域的同学来看。

论文链接：https://arxiv.org/abs/1704.08531v1

推荐人：大俊，PaperWeekly 首席客服

✎✎✎

---

关于PaperWeekly

关注微博: @PaperWeekly
    微信交流群: 后台回复“加群”