今日 Paper ｜ 3D门控递归融合；双注意力GAN；通用目标检测器；无监督域自适应等

用于语义场景完成的3D门控递归融合

用于大姿态人脸正面化的双注意力GAN

Universal-RCNN：基于可转移图R-CNN的通用目标检测器

用于图像深度估计的无监督域自适应

嵌套命名实体识别的神经分层模型

论文名称：3D Gated Recurrent Fusion for Semantic Scene Completion

作者： Liu Yu /Li Jie /Yan Qingsen /Yuan Xia /Zhao Chunxia /Reid Ian /Cadena Cesar

发表时间：2020/2/17

论文链接：https://paper.yanxishe.com/review/12074?from=leiphonecolumn_paperreview0226

推荐原因

这篇论文要解决的是语义场景补全任务中的数据融合问题。

作者： Yin Yu /Jiang Songyao /Robinson Joseph P. /Fu Yun

发表时间：2020/2/17

论文链接：https://paper.yanxishe.com/review/12073?from=leiphonecolumn_paperreview0226

推荐原因

这篇论文要解决的是人脸正面化的问题。

作者： Xu Hang /Fang Linpu /Liang Xiaodan /Kang Wenxiong /Li Zhenguo

发表时间：2020/2/18

论文链接：https://paper.yanxishe.com/review/12072?from=leiphonecolumn_paperreview0226

推荐原因

这篇论文要解决的是通用对象检测的问题。

作者：Tonioni Alessio /Poggi Matteo /Mattoccia Stefano /Di Stefano Luigi

发表时间：2019/9/9

论文链接：https://paper.yanxishe.com/review/11952?from=leiphonecolumn_paperreview0226

推荐原因

作者：Meizhi Ju /Makoto Miwa /Sophia Ananiadou

发表时间：2018/6/1

论文链接：https://paper.yanxishe.com/review/11812?from=leiphonecolumn_paperreview0226

推荐原因

1. 本文解决了大多数命名实体识别系统不能有效处理内部嵌套实体的问题，如在生物医药领域，嵌套实体出现非常频繁，使用本文提出的方法可以在此背景下捕获更细粒度的语义信息。

2. 本文提出了一种动态分层模型，能够充分利用内部实体信息来加强外部实体的识别。模型基于由LSTM和CRF组成的flat NER层，因此模型能够捕获输入序列的上下文表示，并在不依赖于特征工程的情况下在flat NER层上全局解码预测标签。该模型针对于特定数据集（具有多种类别和嵌套的实体），嵌套的实体越多层次越深，实验效果越好。

我们希望热爱学术的你，可以加入我们的论文作者团队。

加入论文作者团队你可以获得

    1.署着你名字的文章，将你打造成最耀眼的学术明星

    2.丰厚的稿酬

    3.AI 名企内推、大会门票福利、独家周边纪念品等等等。

加入论文作者团队你需要：

    1.将你喜欢的论文推荐给广大的研习社社友

    2.撰写论文解读

如果你已经准备好加入 AI 研习社的论文兼职作者团队，可以添加运营小姐姐的微信（ID:julylihuaijiang），备注“论文兼职作者”