#深度学习#今日 Paper | 空间注意力网络；深度信念网络；GhostNet；位置预测等 |算法|照相机|国创上头条|

目录
VSGNet：基于图卷积的人体物体交互检测的空间注意力网络
用单个深度学习模型代替移动相机ISP
基于深度信念网络来识别阿尔兹海默症的蛋白质组危险标志物
分层时空LSTM在位置预测中的应用
GhostNet：廉价运营带来的更多功能
VSGNet：基于图卷积的人体物体交互检测的空间注意力网络
论文名称：VSGNet: Spatial Attention Network for Detecting Human Object Interactions Using Graph Convolutions
作者：Ulutan Oytun /Iftekhar A S M /Manjunath B. S.
发表时间：2020/3/11
论文链接：https://paper.yanxishe.com/review/14230?from=leiphonecolumn_paperreview0330
推荐原因
本文已被CVPR2020接收。全面的视觉理解邀请检测框架能够在分析单个对象时能够有效学习和利用对象之间额交互，这是人体物体交互 (Human-Object Interaction, HOI) 检测任务的主要目标。本文提出了可视空间图网络 (Visual-Spatial-Graph Network, VSGNet)，其从人体-物体数据对中提取视觉特征，使用空间配置来完善特征，并通过图卷积建立对象之间的结构连接。作者在V-COCO和HICO-DET两个数据集上彻底地评价了VSGNet ，实验结果表明， VSGNet在V-COCO中的性能比目前最优方法高出8％或4 mAP ，在HICO-DET中有16％或3 mAP的提升。

本文插图

本文插图
用单个深度学习模型代替移动相机ISP
论文名称：Replacing Mobile Camera ISP with a Single Deep Learning Model
作者：Andrey Ignatov
发表时间：2020/2/13
论文链接：https://paper.yanxishe.com/review/14228?from=leiphonecolumn_paperreview0330
推荐原因
本文研究意义
本文是一篇关于解决在各种复杂环境下移动端拍摄图像遇到问题的文章。作者从移动端拍摄图像时通常遇到的噪声、雾化、夜景等角度引出目前面临的问题，并且从软硬件的角度阐述了目前存在弊端的客观原因，在此背景下提出了一种用于解决上述问题的新算法——PyNET 。对于这种算法，作者从他的网络框架、模型损失函数、模型适配环境等方面进行了说明，最后通过实验验证，证实了该算法可以有效地解决上述移动端拍摄图像时遇到的各种问题。

本文插图

本文插图
基于深度信念网络来识别阿尔兹海默症的蛋白质组危险标志物
论文名称：A deep belief network-based method to identify proteomic risk markers for Alzheimer disease
作者：Ning An /Liuqi Jin /Huitong Ding /Jiaoyun Yang /Jing Yuan
发表时间：2020/3/11
论文链接：https://paper.yanxishe.com/review/14222?from=leiphonecolumn_paperreview0330
推荐原因
1 核心问题
尽管大量研究已正式确定载脂蛋白E（APOE）是阿尔茨海默氏病的主要遗传风险标志物，但越来越多的证据支持可能存在其他危险标记的观点。然而，传统针对阿尔兹海默症的分析方法并不能充分利用其蕴含的丰富的蛋白质表达信息，尤其是对于特征之间的连接关系上。本文针对的是使用深度信念神经网络识别阿尔兹海默症蛋白组危险标记的核心问题。
2 创新点
该论文提出了一个识别阿尔兹海默症的治病因素的新型特征选择方法，并应用在蛋白质组数据和临床数据上。此方法将网络节点的权重设置为信号蛋白表达值的重要度排序序号。