今日 Paper | 多人線性模型；身體捕捉；會(huì)話問答；自然語言解析；神經(jīng)語義

本文作者： AI研習(xí)社

2020-02-05 15:04

導(dǎo)語：為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊

對(duì)話到行動(dòng)：大型知識(shí)庫的會(huì)話問答
從用戶反饋學(xué)習(xí)的自然語言解析
神經(jīng)語義的數(shù)據(jù)重組模型
SMPL-X: 表現(xiàn)力身體捕捉: 從一個(gè)單一的形象獲取手，臉，和身體
SMPL: 一個(gè)蒙皮的多人線性模型

對(duì)話到行動(dòng)：大型知識(shí)庫的會(huì)話問答

論文名稱：Dialog-to-Action: ConversationalQuestion Answering Over a Large-Scale Knowledge Base

作者：DayaGuo /DuyuTang /NanDuan /MingZhou /JianYin

發(fā)表時(shí)間：2018/9/13

論文鏈接：https://paper.yanxishe.com/review/9232

推薦原因：核心問題：本文構(gòu)建了一個(gè)對(duì)話管理系統(tǒng)，是一個(gè)基于知識(shí)圖譜的問答系統(tǒng)。

創(chuàng)新點(diǎn)：對(duì)話管理中的一個(gè)核心就是語義解析，本文提出了一種將自然語言轉(zhuǎn)成邏輯表達(dá)形式的方法，引入了一個(gè)對(duì)話框內(nèi)存管理組件，該組件在為當(dāng)前對(duì)話生成邏輯表單時(shí)利用歷史實(shí)體、謂詞和操作子序列。為了避免訓(xùn)練期間在大規(guī)模知識(shí)庫上重復(fù)執(zhí)行的耗時(shí)情況，提前進(jìn)行廣度優(yōu)先搜索算法，以獲得能夠產(chǎn)生正確答案的話語對(duì)及其動(dòng)作序列，通過最大化產(chǎn)生預(yù)期動(dòng)作序列的可能性來學(xué)習(xí)該模型。它可以很好的解決上下指代以及外來詞的情況

研究意義：這種模型和其它的模型比較有很大的優(yōu)勢，取得了很好的效果，這里給我的啟發(fā)還有一點(diǎn)就是要融入更多的信息來做下游的任務(wù)。

今日 Paper | 多人線性模型；身體捕捉；會(huì)話問答；自然語言解析；神經(jīng)語義

從用戶反饋學(xué)習(xí)的自然語言解析

論文名稱：Learning a Neural Semantic Parser from User Feedback

作者：SrinivasanIyer /IoannisKonstas /AlvinCheung

發(fā)表時(shí)間：2017/4/27

論文鏈接：https://paper.yanxishe.com/review/9231

推薦原因

核心問題：這篇論文是做語義解析的，核心是將自然語言轉(zhuǎn)成計(jì)算機(jī)可以理解并執(zhí)行的SQL語言的生成

創(chuàng)新點(diǎn)：本論文提出了一種快速而容易地為新域構(gòu)建數(shù)據(jù)庫自然語言接口的方法，搭建了一個(gè)端到端的神經(jīng)序列模型，將自然語言直接轉(zhuǎn)換為SQL表示。然后將模型進(jìn)行在線學(xué)習(xí)，通過線上部署，從而直接獲取到用戶的反饋，之后使用這個(gè)反饋來改善模型的效果

研究意義：實(shí)驗(yàn)表明，這種方法可以快速部署到任何一個(gè)新的目標(biāo)域，比如從頭開始為在線學(xué)術(shù)數(shù)據(jù)庫獲取語義解析器。

神經(jīng)語義的數(shù)據(jù)重組模型

論文名稱：Data Recombination for Neural Semantic Parsing

作者：Robin Jia /Percy Liang

發(fā)表時(shí)間：2016/6/11

論文鏈接：https://paper.yanxishe.com/review/9230

推薦原因

核心問題：這是一篇做語義解析的任務(wù)，這也是nlp領(lǐng)域中最重要的領(lǐng)域之一，如何理解一句話，從而完成下游的任務(wù)是解決問題的關(guān)鍵所在。

創(chuàng)新點(diǎn)：這篇論文中作者提出了一種新的框架模型，為了建立清晰的邏輯規(guī)則，它將先驗(yàn)知識(shí)注入到模型中，從而得到高精度的語義表示，然后促進(jìn)下游任務(wù)，下游是一個(gè)通用模型，基于注意力的復(fù)制機(jī)制的RNN模型。

研究意義：數(shù)據(jù)重組提高了作者的RNN模型在三個(gè)語義分析數(shù)據(jù)集上的準(zhǔn)確性，從而使具有可比監(jiān)督的模型在標(biāo)準(zhǔn)GeoQuery數(shù)據(jù)集上獲得了最新的性能。

SMPL-X: 表現(xiàn)力身體捕捉: 從一個(gè)單一的形象獲取手，臉，和身體

論文名稱：Expressive Body Capture: 3D Hands, Face, and Body from a Single Image

作者：Pavlakos Georgios /Choutas Vasileios /Ghorbani Nima /Bolkart Timo /Osman Ahmed A. A. /Tzionas Dimitrios /Black Michael J.

發(fā)表時(shí)間：2019/4/11

論文鏈接：https://paper.yanxishe.com/review/9227

推薦原因

SMPL-X: 從單個(gè)單眼圖像中計(jì)算出人體姿勢，手勢和面部表情的3D模型。該模型可以通過完整細(xì)節(jié)的手和表情豐富的面孔來擴(kuò)展SMPL。

該論文通過以下幾種重要方式對(duì)SMPLify進(jìn)行了改進(jìn)：

該論文檢測與臉部，手部和腳部相對(duì)應(yīng)的2D特征，并將完整的SMPL-X模型擬合到這些特征上；

該論文使用大型MoCap數(shù)據(jù)集訓(xùn)練新的神經(jīng)網(wǎng)絡(luò)姿態(tài)；

該論文定義了一種既快速又準(zhǔn)確的互穿罰分；

該論文自動(dòng)檢測性別和適當(dāng)?shù)纳眢w模型（男性，女性或中性）；

評(píng)估了一個(gè)新的策劃數(shù)據(jù)集的3D準(zhǔn)確性

https://smpl-x.is.tue.mpg.de上獲取模型，代碼和數(shù)據(jù)以用于研究。

SMPL: 一個(gè)蒙皮的多人線性模型

論文名稱：SMPL: A Skinned Multi-Person Linear Model

作者：Matthew Loper /Naureen Mahmood /Javier Romero /Gerard Pons-Moll /Michael J. Black

發(fā)表時(shí)間：2015/10/1

論文鏈接：https://paper.yanxishe.com/review/9226

推薦原因

提出了一種新的人體形狀和位置相關(guān)形狀變化的學(xué)習(xí)模型，該模型比以前的模型更精確，并且與現(xiàn)有的圖形管道兼容。蒙皮多人線性模型(SMPL)是一種基于蒙皮頂點(diǎn)的模型，它可以準(zhǔn)確地表示人體自然姿態(tài)中的各種體型。模型的參數(shù)從數(shù)據(jù)中學(xué)習(xí)，包括rest位姿模板、混合權(quán)重、位置相關(guān)混合形狀、身份相關(guān)混合形狀和從頂點(diǎn)到關(guān)節(jié)位置的回歸器。與以往的模型不同，與位置相關(guān)的混合形狀是位姿旋轉(zhuǎn)矩陣元素的線性函數(shù)。這個(gè)簡單的公式使訓(xùn)練整個(gè)模型從一個(gè)相對(duì)較大的不同的人在不同的姿勢對(duì)齊的3D網(wǎng)格。使用線性或雙四元數(shù)混合皮膚定量評(píng)估SMPL的變體，并表明兩者都比基于相同數(shù)據(jù)的BlendSCAPE模型更準(zhǔn)確。還將SMPL擴(kuò)展到動(dòng)態(tài)軟組織變形的真實(shí)模型中。因?yàn)樗腔诨旌掀つw的，所以SMPL與現(xiàn)有的渲染引擎兼容，可以將其用于研究目的。

SMPL是當(dāng)前3D建模的非常火的項(xiàng)目，很多研究都基于此技術(shù)。

并且還開發(fā)出了SMPL-X（主要優(yōu)化了面部的建模），SMPL-H（優(yōu)化了手的細(xì)節(jié)建模）, SMPLify（2D照片的固定POSE建模）等幾個(gè)版本。

源碼需要注冊(cè)下載。

官網(wǎng)：https://smpl.is.tue.mpg.de/

論文作者團(tuán)隊(duì)招募

為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學(xué)生青年的「興趣點(diǎn)」，通過論文整理推薦、點(diǎn)評(píng)解讀、代碼復(fù)現(xiàn)。致力成為國內(nèi)外前沿研究成果學(xué)習(xí)討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認(rèn)可。

我們希望熱愛學(xué)術(shù)的你，可以加入我們的論文作者團(tuán)隊(duì)。

加入論文作者團(tuán)隊(duì)你可以獲得

1.署著你名字的文章，將你打造成最耀眼的學(xué)術(shù)明星

2.豐厚的稿酬

3.AI 名企內(nèi)推、大會(huì)門票福利、獨(dú)家周邊紀(jì)念品等等等。

加入論文作者團(tuán)隊(duì)你需要：

1.將你喜歡的論文推薦給廣大的研習(xí)社社友

2.撰寫論文解讀

如果你已經(jīng)準(zhǔn)備好加入 AI 研習(xí)社的論文兼職作者團(tuán)隊(duì)，可以添加運(yùn)營小姐姐的微信，備注“論文兼職作者”

今日 Paper | 多人線性模型；身體捕捉；會(huì)話問答；自然語言解析；神經(jīng)語義