专栏名称: PaperWeekly

PaperWeekly是一个分享知识和交流学问的学术组织，关注的领域是自然语言处理的各个方向。我们热爱知识，分享知识，希望通过我们大家的努力为自然语言处理的发展做出一点点贡献。我们每周会分享一期特定话题的论文笔记和本周值得读的相关论文。

“Paper + Code”加量豪华套餐 | PaperDaily #04

PaperWeekly · 公众号 · 科研 · 2017-10-13 12:36

正文

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 4 篇文章

[ 自然语言处理 ]

ZhuSuan: A Library for Bayesian Deep Learning

@paperweekly 推荐

#Bayesian Deep Learning

Reddit 热文，清华大学朱军老师组的工作，贝叶斯学习工具包 ZhuSuan。

论文链接

http://www.paperweekly.site/papers/742

代码链接

https://github.com/thu-ml/zhusuan

OpenNMT: Open-Source Toolkit for Neural Machine Translation

@Ttssxuan 推荐

#NMT

完全基于 sequence-to-sequence 实现，包括诸如：multi-layer RNN, attention, bidirec- tional encoder, word features, input feeding, residual connections, beam search, and several others 等扩展。

论文链接

http://www.paperweekly.site/papers/716

代码链接

https://github.com/opennmt/opennmt

A Compare-Aggregate Model for Matching Text Sequences

@xwzhong 推荐

#QA

该 paper 更像是一篇实验性论文，在“general”框架下对其中某一块使用不同的方法比较、组合。

通过实验得到（subtraction+multiplication+nn）结果比（Euclidean distance or cosine similarity）效果更好。原因可能在于，前一种方式得到的是高维的 matrix，而后一种方式只是二维的向量，表现能力比较弱，高维包含了更细致的信息

论文链接

http://www.paperweekly.site/papers/564

代码链接

https://github.com/shuohangwang/SeqMatchSeq

[ 计算机视觉 ]

Adversarial Representation Learning for Domain Adaptation

@corenel 推荐

#Representation Learning

ARDA 将 classifier、encoder 以及 discriminator 三者共同训练，思路不错。

论文链接

http://www.paperweekly.site/papers/692

代码链接

https://github.com/corenel/pytorch-arda

Unsupervised Image-to-Image Translation Networks

@gujiuxiang 推荐

#GAN

The proposed framework can learn the translation function without any corresponding images in two domains.

论文链接

http://www.paperweekly.site/papers/647

代码链接

https://github.com/leehomyc/Img2Img-Translation-Networks

A Discriminatively Learned CNN Embedding for Person Re-identification

@xintong 推荐

#image captioning

在行人识别领域有两类流型的模型（都是基于 CNN），一类是 verification model，一类是 identification model，由于损失函数不同，两类模型各有优缺点。

verification model 以图片对作为输入，经过一个非线性函数（CNN），得到特征后进行相似度判断，这样只利用到了弱的 Re-id 标签。identification model 训练时是以一张图片作为输入，经过一个非线性函数（CNN），得到特征，然后进行多类判断。

在测试阶段，把两张图片经过全连接的网络，得到特征，然后再做相似度判断。identification model 虽然利用了更多的标注信息，但是训练的目标并不直接是行人重识别。

本文的创新之处，是结合两类模型，学习一个更有区分度的行人识别判别器。实验效果表明，本文提出的融合模型，在 Market1501 和 CUHK 数据集都比基础的两类模型有效果提升，并且该模型还可以运用在图片检索领域。

论文链接

http://www.paperweekly.site/papers/824

代码链接

https://github.com/D-X-Y/caffe-reid

本文由 AI 学术社区 PaperWeekly 精选推荐，社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向，点击「阅读原文」即刻加入社区！

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。