历时九天，我们收到了近千份有效读者投票，2017 年度最值得读的 AI 论文评选也正式结束。
我们根据读者的投票情况，选出了自然语言处理和计算机视觉领域“2017 年最值得读的十大论文”。让我们一起来看看过去一整年，在 PaperWeekly 读者心中排名前十的计算机视觉论文都有哪些？还有给我们留言的读者，在表达对这十篇论文的喜爱之情时都说了些什么？
此外，小编也在所有留言中选出了自己最钟意的五条，还在所有成功参与投票的读者中随机抽取了 13 位，他们都将获得 PaperWeekly 精心准备的新年礼物。
- 论文 | Mask R-CNN
- 链接 | https://www.paperweekly.site/papers/672
- 源码 | https://github.com/CharlesShang/FastMaskRCNN
Mask R-CNN 是 ICCV 2017 的最佳论文。Faster R-CNN 用于目标检测，FCN 用于物体分割，概念基本深入人心。本文提出一个高效实体分割+目标检测+关键点检测框架，各任务之间并行实现，速率 5fps（在单 GPU 运行时间是 200ms/帧，使用 8 GPU 卡，在 COCO 数据集训练只需要 2 天时间），模型简洁，没有靠 trick 提升性能，网络框架主体就是 Faster R-CNN+FCN。
实体分割需要正确检测图片所有的物体并实现像素级分割。在论文之前的实现方式是分割之后做分类，而 Mask-RCNN 的检测和分割是并行出结果。该网络还很容易扩展到其他领域，像目标检测、分割和人物关键点检测等任务。
扩展阅读： site/
Mask R-CNN阅读笔记
- 论文 | Image-to-Image Translation with Conditional Adversarial Networks
- 链接 | https://www.paperweekly.site/papers/1401
- 源码 | https://github.com/phillipi/pix2pix
将 GAN 的对抗 loss 引入有监督图像转换任务的经典之作。
原有的传统图像转换任务中 L1、L2 等人工设计的损失函数并不能产生令人满意的视觉效果，本文提出的 pix2pix 模型则借助了条件判别网络来充当一个隐式的损失函数，让它在与生成网络对抗的过程中超越人工设计的损失函数，取得良好的视觉效果。
本文提出的 PatchGAN 要求判别网络只对图像的一小块区域进行判别，专注捕捉高频信息，这也成为后续很多图像转换论文的常见做法。
- 论文 | A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 链接 | https://www.paperweekly.site/papers/314
- 源码 | https://github.com/xiaolonw/adversarial-frcnn
遮挡和形变在物体检测中是很难的一类样本，而它们又具有长尾性，即使收集一个很大的数据集也很难涵盖不常见的情况。本文提出用 GAN 来生成遮挡和形变的样本，这是第一篇将 GAN 引入物体检测的文章。
这两类样本的生成都是在特征层面，而不是在图片层面。对于遮挡，作者采用一个 ASDN 网络，它的目标是对 ROI-pooling 的特征生成一个 mask，通过 mask 遮挡掉部分特征，以骗过分类器。
类似的，对于形变，通过 STN 网络在一定范围内生成一组旋转、缩放、平移的参数，再作用到特征上，使得分类器分错。而分类器的目标是尽可能地避免被这两类生成样本欺骗。
ASDN、ASTN 和 Fast-RCNN 可以联合训练，以避免在某些固定的生成模式下过拟合。实验表明，A-Fast-RCNN 在 VOC07 和 12 的数据上都有 2% 以上的 mAP 提升。
- 论文 | Bayesian GAN
- 链接 | https://www.paperweekly.site/papers/1102
- 源码 | https://github.com/andrewgordonwilson/bayesgan/
本文将贝叶斯公式引入到做无监督和半监督学习的 GAN 模型中，采用哈密顿蒙特卡罗随机梯度算法优化生成器和判别器。作者指出，在不需要 feature matching 和 mini-batch discrimination 等 tricks 的情况下，能够取得不错的分类性能。
此外，Bayesian GAN 还能避免模式坍塌（mode collapse）。文章在 SVHN、CelebA 和 CIFAR-10 等数据集上取得了 state-of-the-art 的半监督分类效果。
- 论文 | Interpretable R-CNN
- 链接 | https://www.paperweekly.site/papers/1215
- 源码 | 暂无
本文使用 R-CNN 展示了一种学习定性可解释模型的方法。R-CNN 由一个区域建议网络和一个感兴趣区域预测网络（RoI，Region of interest）组成。通过使用可解释的模型，可在检测中（对任何部分都不使用监督的情况下）自动地、同步地学习展开目标实例的隐藏部分结构。
本文还提出了一种 AOG 解析算子来取代 R-CNN 中常用的 RoI 池化算子，因此该方法可以适用于很多基于卷积神经网络的顶尖目标检测系统。
在实验中，作者在 R-FCN 之上创建模型并在 PASCAL VOC 2007、 PASCAL VOC 2012 数据集上进行测试，最终的性能与目前最先进的方法具有可比性。
- 论文 | Learning Feature Pyramids for Human Pose Estimation
- 链接 | https://www.paperweekly.site/papers/1325
- 源码 | https://github.com/bearpaw/PyraNet
本文是香港中文科技大学王晓刚教授团队之作，目前在 MPII 官网 Single Person 领域，PCKh @ 0.5 evaluation measure，取得 state-of-the-art 水平。
论文在 Stacked Hourglass 基础上，提出 Pyramid Residual Module，金字塔残差模块，通过学习 DCNNs 中的特征金字塔来增强深度模型的尺度的不变性，而模型复杂度只有很小的增加。
本文针对具有多个输入或多个输出分支图层的 DCNNs 初始化问题，提出了有效的初始化方案，可用于 inception 和 ResNets 等模型。此外，本文还解决了由 identity mapping 引起的激活方差积累的问题。
扩展阅读：
PyraNet阅读笔记
- 论文 | Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
- 链接 | https://www.paperweekly.site/papers/807
- 源码 | https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
本文可能是 GAN 在 CV 领域最著名的应用案例。通过 Cycle Consistency 的思想，在不需要成对数据的条件下实现了无监督的图像转换。
如果说 pix2pix 的结果还在“嗯这样能 work 倒也可以想象”的范畴之内，那么 CycleGAN 带来的则是令人惊异的飞跃，因为它仅仅通过“保真”和“可逆”这两个间接性的要求，就能够让模型完成合乎人类预期的风格转换。
可能是由于 CycleGAN 的实验效果更为吸睛，其知名度和引用量都远超同时期的另外两个兄弟 DualGAN 和 DiscoGAN。
扩展阅读：
CycleGan论文笔记
- 论文 | High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs
- 链接 | https://www.paperweekly.site/papers/1278
- 源码 | https://github.com/NVIDIA/pix2pixHD
自从 LAPGAN 将“由粗到细、分阶段生成”的做法引入了 GAN 之后，很多论文都在沿着这个方向做，而英伟达这篇论文提出的 pix2pixHD 模型同样沿袭了上述思想，在有监督条件下做到了迄今为止最好的高分辨率（2048 x 1024）视觉效果。
此外，本文还将他们的方法扩展到交互式 semantic manipulation，这对于传统的 rendering photo-realistic images 是一个颠覆性的工作。
扩展阅读：
- 论文 | Triple Generative Adversarial Nets
- 链接 | https://www.paperweekly.site/papers/345
- 源码 | https://github.com/zhenxuan00/triple-gan
从博弈角度来说，TripleGAN 的博弈涉及三方，判别器、生成器和分类器。其中，判别器和生成器有对抗；判别器和分类器（在训练前期）有对抗；生成器和分类器有协助作用。
可以从斗地主的角度来看，判别器是地主，生成器和分类器是农民。拆掉分类器，它就是一个 CGAN。拆掉生成器，它就是一个半监督的 GAN。
此外，我们还能从对偶学习的角度进行解读，生成器对 p(x|y) 进行建模，而分类器则对 p(y|x) 建模。两者在判别器的统筹下达成 p(x,y) 的一致性，这是很漂亮的对偶思想。可以说这篇文章对三方博弈的设计非常巧妙。
- 论文 | Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
- 链接 | https://www.paperweekly.site/papers/784
- 源码 | https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation
本文发表于 CVPR 2017，首次提出了基于深度学习的实时多人二维姿态估计。本文最大的亮点在于其融合了 PCM 和 PAF 的级联 cascade 形网络结构。
本文算法主要流程如下：输入一幅图像，经过卷积网络提取特征，得到一组特征图，然后分成两个岔路，分别使用 CNN 网络提取 Part Confidence Maps 和 Part Affinity Fields ，得到这两个信息后，再使用图论中的 Bipartite Matching 将同一个人的关节点连接起来得到最终的结果。
原文发布时间为：2018-01-31
本文作者：让你更懂AI的
本文来自云栖社区合作伙伴“PaperWeekly”，了解相关信息可以关注“PaperWeekly”微信公众号
