2019年过去一小半了，这些深度学习研究值得一看！

大数据文摘出品

作者：李雷、张弛、蒋宝尚

转眼间2019年已经过去了快一半，这对于日新月异的深度学习技术已经算是很长一段发展时间。Open Data Science在Medium上整理了2019年到现在为止深度学习技术发布的精华成果，选择的论文都是在GitHub平台上有相关代码的论文。文摘菌为大家做了编译工作，希望大家紧跟时代的步伐～

用PyTorch Geometric实现快速图表示学习

这篇论文介绍了PyTorch Geometric，这是一个基于PyTorch(深度学习框架)的非结构化数据(如图形，点云和流形)深度学习库。除了通用图形数据结构和处理方法之外，它还包含关系学习和三维数据处理领域的各种最新方法。PyTorch Geometric通过利用稀疏GPU加速，提供专用CUDA内核以及为不同大小的输入样本引入高效小批量处理，从而实现了高数据吞吐量。

GitHub链接：https://github.com/rusty1s/pytorch_geometric

蒙版得分R-CNN(Mask Scoring R-CNN)

在大多数计算机视觉的实例分割任务中，通常将实例分类的置信度作为实例分割框架的蒙版(mask)质量分数，这可能会出现偏差。这篇论文研究了这一问题，并提出了蒙版得分R-CNN(Mask Scoring R-CNN )，即用一个模块来学习预测实例蒙版的质量。蒙版评分策略校准了蒙版质量和分类评分之间的差异，并在对COCO数据集的平均准确度(AP)评估中优先考虑更为准确的蒙版预测来改善实例分割效果。

GitHub链接：https://github.com/zjhuang22/maskscoring_rcnn

如何用更少标签生成高保真图像

深度生成模型是现代机器学习的基础。近期关于条件生成对抗网络(GAN)的研究表明，自然图像的复杂高维分布是可以学习的。虽然最新的模型能够生成高分辨率、高保真、多样化的自然图像，但它们往往依赖于大量标记数据。本论文展示了如何利用目前关于自主和半监督学习的研究，在无监督及条件设定下实现最高水平的ImageNet图像合成。

GitHub链接：https://github.com/google/compare_gan

GCNv2：实时SLAM的高效响应预测

这篇论文介绍了GCNv2，一个用于生成关键点和描述符的深度学习网络。GCNv2建立在图卷积神经网络GCN之上，GCN是用于训练三维投影几何的网络。GCNv2使用二进制描述符向量作为ORB(Oriented FAST and Rotated BRIEF)特征，因此它可以轻松替换ORB-SLAM(一种基于ORB特征的三维即时定位与地图构建算法)等系统中的ORB。

GitHub链接：https://github.com/jiexiong2016/GCNv2_SLAM

ALiPy：Python的主动学习

监督式的机器学习方法通常需要大量标记样本用于模型训练。但是，在许多实际应用中存在大量未标记的数据，已标记数据其实并不多，并且数据打标的成本很高。主动学习(AL)通过迭代地选择最有价值的数据样本并从标注器查询其标签，从而降低标注成本。这篇论文介绍了用于主动学习的Python 工具库 ALiPy。

GitHub链接：https://github.com/NUAA-AL/ALiPy

DeepFashion2：用于服装图像的检测，姿势判断，实例分割和重新识别的多功能基准数据集

基准数据集DeepFashion提升了人们对服装时尚的理解，它具有丰富的标签，包括服装类别，标记和卖家秀-买家秀图像。然而，DeepFashion也有不可忽视的问题，例如每副图像只有单个服装类别，标记稀疏(仅4~8个)，并且没有像素蒙版，这些都与现实场景有着显著差距。本论文介绍的DeepFashion2解决了上述问题。它是一个多功能数据集，包含四个功能，服装检测，姿势判断，实例分割和识别。

GitHub链接：https://github.com/switchablenorms/DeepFashion2

星际争霸多智能体挑战赛

在过去几年中，深层多智能体强化学习(RL)一直是一个非常活跃的研究领域。这一领域中有非常具有挑战性的问题，就是局部观察、局部合作，和多智能体学习，在这种学习中各智能体必须学会基于自己的观察来与他人协调合作。这一研究领域非常吸引人，因为其中拥有大量现实世界相关的场景，并且这些问题比一般汇总问题更适合算法评估。诸如ALE(街机游戏模式学习环境)和MuJoCo(物理模拟引擎)之类的标准化环境使单智能体强化学习突破了小型领域，如网格世界。但是，合作式多智能体强化学习却缺乏相应的基准环境。因此，该领域的大多数论文都针对一次性小型问题，难以衡量实际效用。这篇论文提出的星际争霸多智能体挑战赛(SMAC)可以作为填补这一空白的基准问题。

GitHub链接：https://github.com/oxwhirl/smac

Dropout - 随机δ规则特例：更快，更准确的深度学习