知識星球
在碎片化閱讀充斥眼球的時代，越來越少的人會去關註每篇論文背後的探索和思考。
在這個欄目裡，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。
點選本文底部的「閱讀原文」即刻加入社群，檢視更多最新論文推薦。
[ 自然語言處理 ]
@jueliangguke 推薦
#Convolutional Neural Network
本文提出了一個全新的中文分詞框架，使用深度摺積網路在多個資料集上達到了 state-of-the-art。
@paperweekly 推薦
#Dialog Systems
本文來自京東資料科學團隊，這是一篇非常全面的對話系統綜述，取用了 100+ 篇相關論文，並對論文進行了分類。
How to Make Context More Useful?
@zhangjianhai 推薦
#ContextQA
在自然語言對話領域，論文首先對比了目前幾種流行的 Context-aware 模型，包括 Non-hierarchical 模型（將 context 與 query 作為一個序列建模）以及 Hierarchical 模型（將 context 與 query 分別建模生成向量表示，在此基礎上採用不同的方式進行整合，包括 sum，concat，sequential integration 等）。
最後，論文提出了一種 Weighted Sequential Integration 的背景關係整合方式，對不同的背景關係賦予不同的權重。對 ContextQA 相關工作具有一定借鑒意義。
@cfjmonkey 推薦
#Text Style Transfer
該文實現了基於給定屬性的文字風格的轉換。屬性包括標題、作者和類別。不同類別的文章用詞分佈不同，同一作者的寫作風格是一致的，標題個人理解可以看做關鍵詞定基調，相比關鍵詞語料更豐富。
實驗在新聞、影評和歌詞三大類文字中進行。 該工作作者來自今日頭條，eBay 和清華。
@zhangjun 推薦
#Question Answering
來自百度的 QA 系統，本文已被 EMNLP 2017 接收。
@YiqiYan 推薦
#Semantic Segmentation
本文提出了一種新的概念 — Panoptic Segmentation，它是對 instance sengmentation 和 semantic segmentation 的統一。
例如一副街景：instance sengmentation 只分割出一些實體，但是要區分同一類別的個體（分割出車 a，車 b，車 c）；semantic segmentation 是把每一個畫素分入一個類別，但是不區分個體；Panoptic Segmentation 既要完成 semantic segmentation 的任務，又要區分同一個類別的不同個體。
@Synced 推薦
#Adversarial Training
該論文提出了一種在現實世界中建立通用、魯棒、針對性的對抗影象 patch 的方法。該 patch 是通用的，因為它們可用於攻擊任何場景；是魯棒的，因為它們在多種影象變換中都是有效的；是有針對性的，因為它們可以令分類器輸出任意標的類。
這些對抗樣本可以被打印出來，新增到任意的場景、照片，並展示給影象分類器；即使 patch 很小，也能導致分類器忽略場景中的其它物體，輸出選定的標的類。
@Aidon 推薦
#Video Captioning
文章指出現有的 captioning 模型都是用交叉熵損失（XE: cross-entropy loss）訓練的，而實際評估的時候用的是其他指標比如 BLEU，METEOR 等。
這裡對應的是第一個問題：objective mismatch，很自然地會想到可以直接對評價指標進行最佳化。第二個問題是 exposure bias，即訓練集和測試集上 captions 的分佈很有可能是不一樣的。雖然強化學習有被用於解決第一個問題，但它的計算開銷大，並且在每一步都有指定 baseline reward 才能保證模型的收斂。
針對以上問題，文章提出基於一致性的序列訓練來做 video captioning。首先從理論上解釋了 XE training 和 RL training 之間的聯絡，即後者是前者的一個加權形式；然後引入一個簡單的 WXE pre-training 來近似 RL training，這樣就解決了前面提到的第一個問題。
更進一步地，文章提出用 full REINFORCE 來進行 fine-tune，利用 gt captions 的 consensus score 作為 baseline reward，這樣就可以避免 XE training 帶來的第二個問題。
@zhangjun 推薦
#Video Generation
本文是 MILA 最近的一篇工作，實現了一個根據 text 合成唇同步影片的架構，並以奧巴馬做了一個 demo，命名為 ObamaNet。
Demo 地址：http://ritheshkumar.com/obamanet/
@chenhong 推薦
#Text Detection
論文中 2D 影象的任意方向的字元編碼為 4 個方向的 4 個特徵序串列示：左→右，右→左，上→下，下→上（每個方向的特徵序列長度相同）。
論文提出一個魯棒性演演算法，基於 AON 識別規則和不規則自然場景字元。基於 top-down，無需檢測字元，直接預測原始影象整個字元，end-to-end 實現。
本文由 AI 學術社群 PaperWeekly 精選推薦，社群目前已改寫自然語言處理、計算機視覺、人工智慧、機器學習、資料挖掘和資訊檢索等研究方向，點選「閱讀原文」即刻加入社群！
我是彩蛋
解鎖新功能：熱門職位推薦！
PaperWeekly小程式升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實習都不是問題
解鎖方式
1. 識別下方二維碼開啟小程式
2. 用PaperWeekly社群賬號進行登陸
3. 登陸後即可解鎖所有功能
職位釋出
請新增小助手微信（pwbot01）進行諮詢
長按識別二維碼，使用小程式
*點選閱讀原文即可註冊
關於PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號後臺點選「交流群」，小助手將把你帶入 PaperWeekly 的交流群裡。
