在刚公布的国际人工智能顶级会议AAAI-2019录用结果中,厦门大学媒体分析与计算实验室(MAC)共有7篇论文被录用。在厦门大学校级双一流重大项目支持下,实验室首次实现了CCF-A类会议100%投稿录用,在国内研究组里名列前茅。AAAI会议是人工智能领域的最顶级会议,由国际人工智能协会主办,在中国计算机学会(CCF)期刊会议推荐列表中为A类。今年,AAAI会议投稿量达到历史最高的7700余篇,但录用率为近年最低,仅有16.2%。本次AAAI会议的论文录用也见证了实验室近年来在人工智能领域所取得的可喜进展。7篇录用论文的相关信息如下。

题目:Learning Neural Bag-of-Matrix-Summarization with Riemannian

作者: Hong Liu, Jie Li, Yongjian Wu, Rongrong Ji*;本文共同一作分别是是厦门大学智能科学系2016级博士研究生刘弘与2017级硕士研究生李杰,通讯作者是其导师纪荣嵘教授。

简介:本文提出了一种神经矩阵摘要的算法,并将其与黎曼网络整合,用于高阶统计特征的紧凑性表征学习。本文的核心思路是在黎曼空间用少量重要样本压缩训练数据。在该压缩集上,我们提出了一个新的网络层用于计算输入特征的统计分布,进而实现高阶统计特征的紧凑化表示。最后,提出的方法可以与经典的黎曼网络整合,通过特征到标签的端到端学习,实现高阶特征的分类。在人脸情感分类、人体姿态识别、脑电信号分析等任务上,均取得较大的性能提升。

题目:Towards Optimal Discrete Online Hashing with Balanced Similarity

作者:Mingbao Lin, Rongrong Ji*, Hong Liu, Xiaoshuai Sun, Yongjian Wu, Yunsheng Wu; 论文第一作者林明宝是厦门大学智能科学系2018级博士研究生,通讯作者是其导师纪荣嵘教授

简介:本文提出一种在线哈希学习技术。利用非对称约束保留新得到数据与已有数据的相似性信息,同时,本文鉴定出了在线学习中存在的数据不平衡问题并针对此提出一种平衡相似性技术来平衡相似与非相似性的权重问题,所提的平衡相似性技术同时使得离散优化第一次在在线学习问题上得到成功的应用。在公开的三个数据集测试表明,所提方法在时间和性能上都取得了不错的性能表现。

题目:Towards Optimal Fine Grained Retrieval via Decorrelated Centralized Loss with Normalize-Scale layer

作者:Xiawu Zheng, Rongrong Ji*, Xiaoshuai Sun, Baochang Zhang, Yongjian Wu, Feiyue Huang;论文第一作者是厦门大学智能科学系2018级博士研究生郑侠武,通讯作者是其导师纪荣嵘教授

简介:本文提出了一种基于全局中心排序损失及施密特正交化的最优细粒度检索方法。在普通的细粒度检索方法中,存在如下两个问题,1.基于softmax的方法无法直接对距离度量进行优化,2.现有的度量学习方法无法从全局对目标函数进行优化。因此,本文提出了一种基于全局中心排序损失及施密特正交化的损失函数,可直接解决上述问题,并且在精度以及训练速度上,均达到了最优。

题目:Dynamic Capsule Attention for Visual Question Answering

作者:Yiyi Zhou, Rongrong Ji*, Jinsong Su, Xiaoshuai Sun, Weiqiu Chen;论文第一作者是厦门大学智能科学系博士研究生周奕毅,通讯作者是其导师纪荣嵘教授

简介:本文提出了一种紧凑的注意力算法用于视觉问答等多模态任务当中。该算法借鉴近期提出的胶囊网络的思想,将输入的视觉特征向量当作底层胶囊,然后通过动态路由的方式获获得基于问题内容的注意力特征。同传统的多步注意力机制相比,该算法能够以动态的方式完成多步视觉推理,在取得更高性能的同事极大的降低模型参数量。

题目:Free VQA Models from Knowledge Inertia By Pairwise Inconformity Learning

作者:Yiyi Zhou, Rongrong Ji, Jinsong Su, Xiangming Li ,Xiaoshuai Sun*;论文第一作者周奕毅是厦门大学智能科学系博士研究生。

简介:本文关注了视觉问答任务中模型知识惯性的问题,并针对性地提出了一种非对称学习策略。在该策略下,模型同时处理具有相似图像不同答案的样本对,并采用多模态嵌入损失及基于动态边际的三重损失函数来强化模型对视觉信息的学习,减少对问题文本先验的依赖。在增加极其少量参数的情况下,该策略能够让模型得到显著的提高。

题目:Hypergraph Neural Networks

作者:Yifan Feng, Haoxuan You, Zizhao Zhang, Rongrong Ji, Yue Gao.论文第一作者丰一帆是厦门大学智能科学系2018级硕士研究生。

简介:本文提出了一种基于深度学习的超图神经网络,用来解决真实数据集上复杂数据关联难以建模的问题。本文提出的超图卷积操作相比传统超图学习方式效率更高,能够从高维数据结构中学到数据的隐层表示。在引用数据集和可视化数据集上的分类任务相对超图卷积网络方法均有明显的性能提升。

题目:PVRNet: Point-View Relation Neural Network for 3D Shape Recognition

作者:Haoxuan You, Yifan Feng,Xinbin Zhao,Chanqging Zou, Rongrong Ji, Yue Gao.

简介:本文提出一种点云与视图多模态融合的三维立体视觉表征学习算法。对于同一三维物体,通常由一个点云和若干个视图共同描述,本文的核心思路是建模点云与视图之间的关系,我们提出关系得分网络用于学习每个视图与对应点云的关系分数,在不同视图关系分数的基础上建立点云-单视图融合网络和点云-多视图融合网络,进而实现对点云和视图的有效多模态融合表征。在三维物体识别和检索等任务上,均取得了较好的性能提高。