每周「Paper + Code」清单：句子嵌入，文本表示，图像风格转换
在碎片化閱讀充斥眼球的時(shí)代，越來越少的人會去關(guān)注每篇論文背后的探索和思考。
在這個(gè)欄目里，你會快速 get 每篇精選論文的亮點(diǎn)和痛點(diǎn)，時(shí)刻緊跟 AI 前沿成果。
點(diǎn)擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。
這是 PaperDaily 的第?29?篇文章[ 自然語言處理 ]
@zhangjun 推薦
#Neural Machine Translation
一個(gè)開源的產(chǎn)品級神經(jīng)機(jī)器翻譯框架，構(gòu)建在 MXNet 平臺上。
Multilingual Hierarchical Attention Networks for Document Classification@miracle 推薦
#Text Classification
本文使用兩個(gè)神經(jīng)網(wǎng)絡(luò)分別建模句子和文檔，采用一種自下向上的基于向量的文本表示模型。首先使用 CNN/LSTM 來建模句子表示，接下來使用雙向 GRU 模型對句子表示進(jìn)行編碼得到文檔表示。
Supervised Learning of Universal Sentence Representations from Natural Language Inference Data
@zxEECS 推薦
#Natural Language Generation
本文來自 Facebook AI Research。本文研究監(jiān)督句子嵌入，作者研究并對比了幾類常見的網(wǎng)絡(luò)架構(gòu)（LSTM，GRU，BiLSTM，BiLSTM with self attention?和?Hierachical CNN）, 5 類架構(gòu)具很強(qiáng)的代表性。
Recurrent Neural Networks for Semantic Instance Segmentation@paperweekly 推薦
#Recurrent Neural Networks
本項(xiàng)目提出了一個(gè)基于 RNN 的語義實(shí)例分割模型，為圖像中的每個(gè)目標(biāo)順序地生成一對 mask 及其對應(yīng)的類概率。該模型是可端對端 + 可訓(xùn)練的，不需要對輸出進(jìn)行任何后處理，因此相比其他依靠 object proposal 的方法更為簡單。
Deep Image Prior@AkiyamaYukari 推薦
#Image Style Transfer
本文視角獨(dú)特，效果不錯。作者認(rèn)為模型可以不通過對于數(shù)據(jù)集上進(jìn)行學(xué)習(xí)和預(yù)訓(xùn)練就能實(shí)現(xiàn)圖像轉(zhuǎn)換任務(wù)（如去噪、超分等），僅需調(diào)節(jié)超參數(shù)（如網(wǎng)絡(luò)訓(xùn)練次數(shù)、學(xué)習(xí)率等）。
AlignedReID: Surpassing Human-Level Performance in Person Re-Identification@Molly 推薦
#Person Re-identification
本文來自 Face++，作者引入端到端的方法，讓網(wǎng)絡(luò)自動去學(xué)習(xí)人體對齊，從而提高性能。除了提取全局特征，同時(shí)也對各局部提取局部特征。
When Unsupervised Domain Adaptation Meets Tensor Representations@jindongwang 推薦
#Domain Adaptation
當(dāng)傳統(tǒng)的基于 vector 的 domain adaptation 應(yīng)用于 tensor，會發(fā)生什么？這個(gè)文章發(fā)表在 ICCV 2017 上，很有指導(dǎo)意義。
@zh794390558 推薦
#Generative Adversarial Networks
本文提出的模型名為 CycleGAN，作者希望在不借助 paired example 情況下，來實(shí)現(xiàn)圖片的風(fēng)格轉(zhuǎn)換。
[ 機(jī)器學(xué)習(xí) ]
@YFLu 推薦
#Representation Learning
SDNE 是清華大學(xué)崔鵬老師組發(fā)表在 2016KDD 上的一個(gè)工作，目前谷歌學(xué)術(shù)引用量已經(jīng)達(dá)到了 85，是一篇基于深度模型對網(wǎng)絡(luò)進(jìn)行嵌入的方法。
SDNE 模型同時(shí)利用一階相似性和二階相似性學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)，一階相似性用作有監(jiān)督的信息，保留網(wǎng)絡(luò)的局部結(jié)構(gòu)；二階相似性用作無監(jiān)督部分，捕獲網(wǎng)絡(luò)的全局結(jié)構(gòu)，是一種半監(jiān)督深度模型。
Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction@cornicione 推薦
#Convolutional Neural Network
論文提出一種從宏觀預(yù)測城市人口的網(wǎng)絡(luò) — ST-ResNet，利用 3 個(gè)網(wǎng)絡(luò)分支分別對 3 種時(shí)間特性進(jìn)行建模：時(shí)間緊密度，周期，趨勢。結(jié)合外界因素，對不同地區(qū)分配不同的權(quán)重，將 3 個(gè)分支進(jìn)行動態(tài)融合。
本文由 AI 學(xué)術(shù)社區(qū) PaperWeekly 精選推薦，社區(qū)目前已覆蓋自然語言處理、計(jì)算機(jī)視覺、人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和信息檢索等研究方向，點(diǎn)擊「閱讀原文」即刻加入社區(qū)！
我是彩蛋?
?解鎖新功能：熱門職位推薦！
PaperWeekly小程序升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實(shí)習(xí)都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區(qū)賬號進(jìn)行登陸
3. 登陸后即可解鎖所有功能
?職位發(fā)布?
請?zhí)砑有≈治⑿?#xff08;pwbot01）進(jìn)行咨詢
?
長按識別二維碼，使用小程序
*點(diǎn)擊閱讀原文即可注冊
關(guān)于PaperWeekly
PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結(jié)
以上是生活随笔為你收集整理的每周「Paper + Code」清单：句子嵌入，文本表示，图像风格转换的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 直播实录 | 基于生成模型的事件流研究
- 下一篇： 深度强化学习的 18 个关键问题 | P