CNCC2017中的深度学习与跨媒体智能
转载请注明作者:梦里茶
目录
- 机器学习与跨媒体智能
- 传统方法与深度学习
- 图像分割
- 小数据集下的深度学习
- 语音前沿技术
- 生成模型
- 基于贝叶斯的视觉信息编解码
- 珠算:基于别噎死推断的深度生成模型库
- 图像与视频生成的规则约束
- 景深风景生成
- 骨架约束的人体视频生成
- 跨媒体智能
- 视频检索的哈希学习
- 多媒体与知识图谱
- 基于锚图的视觉数据分析
- 视频问答
- 细粒度分类
- 跨媒体关联与检索(待补充)
正片开始
传统方法与深度学习
图像分割
图像分割是医疗图像中一个很重要的任务,通常分为分割,配准,可视化几个子任务。这里贴一张广义的图像分割的图:
存在的困难:
- 不同目标区域亮度一致,区分度小,
- 不同目标区域边界模糊,
- 图像采集存在噪声
常用分割步骤
检测(定位)-> 边界寻优
常用分割方法
- 按照图像中区域的能量与联系,建立
图模型
,用图割,图搜索的方法对图像进行分割 -
外观模型
:特定的目标区域往往具有特殊的外观,包括轮廓,形状,可以用外观模型进行匹配,做粗粒度的分割,或者对细粒度处理后的图像进行校正 - 多模态图像处理:融合
结构信息
和功能信息
进行分割 - 对准两个模型(结构和功能)的图像,对两个模型的预测结果进行约束(比如希望两个模型的输出相近)
双模型交互迭代优化
- 多边形近似
- 对于某种目标区域,有着固定的多边形外观,可通过多边形近似的方法,标记出图像中近似的特征点
语音前沿技术
任务
降噪,增强,杂音分离,消除回响
结合领域知识和DNN
- 数据标注:结合领域知识提出需要标注哪些数据
- 不直接学习目标,而是根据领域知识将目标任务进行分解
- 比如识别字母,分解为识别摩擦音,爆破音 - 将传统模型中里程碑式的东西拿过来用
移动端语音挑战
模型压缩,轻量化
生成模型
基于贝叶斯的视觉信息编解码
任务
- 视觉信息编码:视觉信息通过人脑转为神经活动的过程
- 视觉信息解码:神经活动新号转为视觉信息的过程
模型(基于卷积和反卷积的自编码器)
- 推理网络:卷积神经网络,得到中间特征,建立中间特征与神经活动信号之间的关联,从而得到神经活动得到编码
- 生成网络:将神经活动进行反卷积,得到图像
- 对于两个信号,学习两个信号产生于同一对象的概率(相似度分析),建立起一个贝叶斯推断模型
多视图生成式自编码器
除了视觉数据之外,还有其他模态的数据,可以根据多个模态的数据构建多视图的生成时自编码器
珠算:基于贝叶斯推断的深度生成模型库
任务
大数据中有许多不确定因素,需要学习对不确定性建模
模型
给定一个输入z,用神经网络学习变量x的分布的参数(均值和方差),约束生成样本与真实样本的相似性
有约束的GAN
在GAN的基础上,加一个分类器C,对生成器G生成的对象加中间约束,使得生成的对象更符合实际需求,比如生成不同姿态的人脸,要求不同人的人脸尽量不同,同个人的人脸尽量相同。
珠算
- 基于Tensorflow的python库,无监督生成模型
- 贝叶斯推断
- 适合传统多层贝叶斯推断模型以及深度生成模型
- 可用于
- 多变量回归
- 变分自编码器实现 - http://zhusuan.readthedocs.io
图像与视频生成的规则约束学习
- GAN成为无监督领域的新框架
- WGAN,DCGAN
- 在生成中,往往通过随机性引入创意 - 已有工作
- 人脸姿态转换,人脸年龄转换,人脸表情转换
- 图像超分辨率生成,画风转换,字体转换,图像转视频 - 应用
- 动画自动制作,手语生成
- 视频自动编辑(如生成不同天气情况下的风景) 创意+规则约束+复杂场景+复杂交互
难点
- 解空间巨大:需要找出解所在的低维子空间
- 宏观结构的一致性(视频生成需要的像素感受野(pooling)很大,难以预测长期运动变化)
- 微观结构的清晰度,要同时逼近多模分布,避免单模生成的结果不够精确- 解决方法
用领域中的规则去约束GAN,加入破坏规则的代价
- 缩小预测空间,保证宏观结构,加快细节生成
景深风景生成
- 难点:要求空间结构合理,不能有严重的模糊
- 约束:从现有风景图像中对景深关系建模(对区域进行标注, 不同区域,即图层,有不同的远近限制)
- 建立位置和对象的关系,得到某个位置有某个对象的概率分布
- Hawkes过程模型
- 根据对象对图层做分解,由概率约束建立图层约束(树在人之前的概率有多大)
- 层内DCGAN,层间LSTM聚合出整图
骨架约束的人体视频生成
- 骨架运动有约束
- 骨架提取很鲁棒,可以得到很多有标签知识(传统方法用来提取知识),作为约束条件
- 静图+动作序列变动图
- CNN编码解码,孪生网络双输入进行生成
- 判别器:对生成和实际帧做Triplet loss优化
- gan loss和视频相似度loss相加
- 交互运动视频生成
视频检索的哈希学习
Learning Multifunctional Binary Codes for Both Category and Attribute Oriented Retrieval Tasks
视频检索基于图像检索,大规模图像检索对性能要求较高
- 图像检索
- 任务:通常图像特征很大,直接检索特征太慢
- 方法:
- 用二进制编码出一个哈希值来表达特征
- 对哈希值做高效的异或运算求相似度
- 模型(添加了对二进制编码的约束,希望绝对值与1尽量相近):
多媒体与知识图谱
Cross-media analysis and reasoning: advances and directions
- 任务:
- 将文本,图像,语音,视频及其交互属性进行混合
- 多源融合+知识演化+系统演化
- 难点:
- 解决语义鸿沟(机器认识世界是什么)
- 意图鸿沟(机器理解人要达到什么目标)
- 离散的知识和连续的特征如何转化如何关联
- 典型问题:
- 跨媒体知识学习推理,多媒体情感分析
- 现状:
- 机器学习助力多媒体效果很好
多媒体助力机器学习还不成熟
- 任务:
- 跨媒体深度分析和综合推理
- 方法:
- 从浅层到深度
- 知识图谱指导多媒体分析,属性补全
- 深度学习+反馈(知识和规则进行反馈/强化学习)(黑箱方法)
- 统计推理,贝叶斯推理(白盒方法)
趋势:
- 知识表达理解,多媒体理解
基于锚图的视觉数据分析
- 图学习
- 对视觉数据可以计算相似度,对于整个数据集就可以得到一个相似度矩阵,学过图论的同学都知道,矩阵就是图
- 相似度矩阵 -> 图的邻接矩阵 -> 用图的方法对邻接矩阵进行优化 - 标号建模 标号平滑 标号学习
- 锚图学习(速度+)
- 这是一种coarse to fine的思路
- 利用数据点图,生成锚点图,先采一部分有代表性的数据(例如聚类中心)生成一个图模型,然后推理出其他图
- 图模型中需要建立表示矩阵(特征工程),邻接矩阵(度量学习),并加快相似度计算 - 高效锚图(性能速度+)
- 从数学上优化锚图的约束条件,使得优化问题的复杂度大大降低 - 层次化锚图(速度++)
- 建立多层的锚图,也就是对采样点再采样
- 锚点是线性增加的,也会增加得很快 - 对第一层采样的点做再采样,多层采样减少了锚点数目,从最少的锚点的层逐层推理
- 标号预测器(速度+++)
- 优化对锚点的标号(打伪标签进行半监督学习)
- 对最小的锚点层接一个优化器进行标号预测 - 主动学习(样本选择)
- 是一种hard mining的思路,选择更有用的样本作为锚点
- 减小标号的误差损失 - 对比Google Expander Graph Learning平台:经典方法,并行运算,而锚图可以通过并行进一步提升速度
视频问答
- 任务:
- 输入视频,问题,输出答案
- 模型(层次记忆网络+视频时序推理):
- 对图像进行分层
- 对问题进行记忆
- 用文本和图像特征一同训练生成答案
- 用LSTM做时序推理
细粒度分类
- 任务:
- 识别图像同一大类中的子类 - 挑战:
- 姿态视角不同导致类内差异大,外形颜色相似导致类间差异小
基于模型动态扩容的增量深度学习方法
论文:Error-Driven Incremental Learning in Deep Convolutional Neural Network for Large-Scale Image Classification
- 将目标的多个类别按相似度划分为几个大类,
- 增加一个新的类别时,将其归入最相近的大类中,重用大类的参数,扩展小类分类层参数
- 利用类别子集合划分实现模型动态扩容,利用特征迁移学习实现训练加速(对类别做聚类)
局部两级注意力深度模型
The Application of Two-level Attention Models in Deep Convolutional Neural Network for Fine-grained Image Classification
给定图片-类别,不给出对象位置(bounding box)和局部的位置(part location),用Attention学习对象位置和局部特征
- Object level: 首先用公开的数据集预训练模型,top-down地作用在整图上,选出跟目标相关的区域(响应度最高的区域),相当于抠图,对抠过的区域再加上类别标签进行迁移学习。
- Part level:
- 对于Object level得到的模型,对卷积层的filter做相似度聚类,同一类的卷积层合为一个part detector,用来为具体的对象局部做识别
- 结合总体评分和局部评分来对对象做细粒度分类
空间约束的显著性部件选择模型
Weakly Supervised Learning of Part Selection Model with Spatial Constraints for Fine-grained Image Classification
- 显著性提取和协同分割定位对象
- 先通过显著性聚类提出备选局部,
- 再对局部位置关系提出两个空间约束:局部和整体必须有尽可能多的重叠,局部之间有尽可能少的重叠。
上面两篇都是不需要局部组件的标注,就学到了局部的特征和约束
显著性引导的细粒度辨识性定位方法
Fine-grained Discriminative Localization via Saliency-guided Faster R-CNN
结合分类模型和检测模型做更高精度的细粒度分类
- 显著性模型提供弱标记的图片训练faster r-cnn检测模型
- 检测模型提供更精确的备选区域进行分类
视觉文本联合建模的图像细粒度表示
Fine-grained Image Classification via Combining Vision and Language
- 在图片数据集的基础上,增加对图片的描述文本,利用这两个模态的数据提供更高精度的细粒度分类
- 卷积做图像分类,CNN+LSTM做文本分类,两个分类结果合起来
跨媒体关联与检索
- 跨媒体统一表征学习:使用相同的特征类型表征不同媒体的数据
- 跨媒体相似度计算:通过分析跨媒体关联关系,计算不同媒体数据的语义相似性
这里的六篇论文我还没读完,读完之后补具体的理解
跨媒体关联传递方法
IJCV2013: Exhaustive and Efficient Constraint Propagation
基于稀疏和半监督的统一表征方法
Learning Cross-Media Joint Representation With Sparse and Semisupervised Regularization
基于跨媒体语义单元的统一表征方法
Semi-Supervised Cross-Media Feature Learning with Unified Patch Graph Regularization
基于跨媒体多深度网络的统一表征方法
Cross-media Shared Representation by Hierarchical Learning with Multiple Deep Networks
基于多粒度层级网络跨媒体关联学习方法
CCL: Cross-modal Correlation Learning with Multi-grained Fusion by Hierarchical Network
跨媒体混合迁移网络方法
Cross-modal Common Representation Learning by Hybrid Transfer Network, IJCAI2017
跨媒体检索数据集PKU-XMedia
- www.icst.pku.edu.cn/mlpl/XMedia
- 五种媒体类型(图像、文本、视频、音频、3D)
- 10万标注数据,200个语义类别,基于wordNet的层次结构
- 来自Wikipedia, Flickr, Youtube, Findsounds, Freesound, Yobi3D