计算机视觉都学会抢答了，你呢？新研究使用图像回答问题 | 一周AI最火论文 核心提示：编译：Jiaxu、fuma、云舟呜啦啦啦啦啦啦啦大家好，拖更的AIScholar Weekly栏目又和大家见面啦！AI ScholarWeekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览

编译：Jiaxu、fuma、云舟

呜啦啦啦啦啦啦啦啦啦啦啦大家好，拖了很久的爱书周刊专栏又和大家见面啦！

AI ScholarWeekly是AI领域的学术专栏，致力于为您带来最新、最全面、最深入的AI学术概况，每周都会收集AI学术前沿资讯。

每周更新，做AI研究，每周从这篇文章开始就足够了！

本周关键词：目标检测、BERT、视频理解

本周最佳研究

深度学习更进一步：物体检测的全面回顾

近日，研究人员对深度学习在视觉目标检测方面的最新进展进行了全面研究。

他们回顾了大量最先进的物体检测工作，并系统地分析了当前的物体检测框架。 他们的研究包括对象检测器组件、机器学习策略、实际应用和基准评估。 他们还讨论了未来的发展方向，以促进深度学习的视觉对象检测。

虽然深度学习理论不断创新，但最重要的是其应用。

不可否认，目标检测是当今人工智能系统中的一项重要技术。 例如，它用于最先进的驾驶员辅助系统（ADAS），该系统允许汽车识别车道或检测行人和其他物体，以提高驾驶安全性。 它在视频监控和图像检索应用中也很有用。

这项工作有助于以结构化、系统的方式展示当前在物体检测方面的贡献。 就这样，到现在为止，AI界已经通过深度学习对物体检测有了全面的了解。 此外，这项工作有助于促进未来物体检测方法和应用的研究工作。

原文链接：

使用 BERT 进行标记和解析：更简单、更准确

美国埃默里大学的研究人员最近提出了一种新模型，利用 BERT 作为词性标记、语法分析和语义分析任务的标记级嵌入。 这是第一个使用 BERT 进行句法和语义分析的项目，它比传统方法简单得多，但同时也更加准确。

对于这三项任务中的每一项，研究人员都复制并简化了当前最先进的方法，提高了模型效率。 然后，他们使用 BERT 生成的令牌嵌入来评估任务简化情况。

深度学习方法通​​常需要大量计算和内存。 现在看来，研究人员从句法、语义和多语言的角度发现了 BERT 的有趣属性。 这项工作表明可以使用更简单的模型来处理标记化和解析。

平均而言，所提出的 BERT 模型在不损失准确性的情况下比最先进的模型高出 2.5%。 研究人员和整个人工智能社区现在可以利用和改进这些模型，为未来建立强有力的基线。

代码链接：

原文链接：

使用时间周期一致性 (TCC) 学习进行视频理解

为了解决当前逐帧视频跟踪的问题，谷歌的研究人员提出了一种潜在的解决方案，使用称为时间周期一致学习（TCC）的自监督学习方法。 该方法利用相似序列过程中实例之间的对应关系来学习适合细粒度时间视频理解的表示。

该模型的主要目标是学习帧编码器，使用网络架构处理图像，并通过编码器对齐所有视频帧以生成相应的嵌入。

研究表明，每个帧嵌入都具有实现一系列有趣应用的巨大潜力，包括无监督视频对齐、少镜头动作阶段分类、视频间模态传输、视频帧检索等。

随着对细粒度标签的需求不断增长，这项工作刺激了对可扩展学习模型的需求，这些模型可以理解视频，而无需机器人和运动分析等应用程序所需的繁琐标签过程。

包括TCC在内的代码已经发布，以帮助视频理解的研究人员和想要使用机器学习实现视频对齐的艺术家。

原文链接：

用于异常声音检测的小型机器操作数据集

NTT 媒体情报实验室与日本立命馆大学合作推出了一个新的数据集“ToyADMOS”，用于机器操作声音 (ADMOS) 的异常检测。 为了构建大规模的 ADMOS 数据集，研究人员通过破坏微型机器来收集它们的异常操作声音。 ToyADMOS 拥有大约 540 小时的正常机器运行声音，其中包括超过 12,000 个异常声音样本，这些样本是使用四个麦克风以 48 kHz 的采样率收集的。

它由三个子数据集组成，一个用于机器状态检查，一个用于几何固定任务下的机器故障诊断，一个用于移动任务下的机器故障诊断。 每个子数据集包括超过 180 小时的正常机器操作声音和超过 4,000 个异常声音样本，这些样本是使用四个麦克风以 48 kHz 的采样率收集的。

ToyADMOS数据集可以帮助推动ADMOS系统的设计，为深度学习研究进入异常声音检测领域奠定良好的基础。

代码链接：

原文链接：

用计算机视觉回答问题

VideonavQA 是一个新数据集，由 House3D 环境中生成的配对问题和视频组成。 这个新发布的数据集能够从近乎理想的导航路径评估问答性能，同时考虑比当前 EQA 任务实例更全面的问题集。

在新的基准测试中，他们研究了常见 VQA 方法中的许多模型。 他们的工作为 VQA 风格的方法在这种新颖的 EQA 范式中的表现提供了初步的见解。

VideoNavQA数据集对于研究EQA类型任务的实用性有很大帮助，它可以帮助我们更好地理解EQA领域可以实现的目标，以及环境中的丰富元素。 这项工作更像是栖息地挑战的补充任务，重点是导航，而不一定是回答问题。

原来的：

其他热门论文

数据集和随之而来的挑战鼓励计算机视觉社区解决非洲的粮食安全问题：

Google AI：改善言语障碍患者的 ASR：

基于深度学习、语言驱动的面部表情动画：

语音分析中实现隐私保护的框架：

雾机器人及其应用现状：

人工智能新闻

Nvidia 极大地改进了 BERT，在 53 分钟内完成训练，并在 2.2 毫秒内产生结果：

麻省理工学院利用人工智能实现分子生产自动化：

专栏作家介绍

Christopher Dossman 是 Wonder Technologies 的首席数据科学家，在北京生活了 5 年。 他是深度学习系统部署方面的专家，在开发新的人工智能产品方面拥有丰富的经验。 除了卓越的工程经验外，他还向数千名学生传授了深度学习的基础知识。

领英：

志愿者介绍

查找上门维修、家政服务、上门视频拍摄、摄影文章，欢迎来。