每日论文 | 解决密集几何对齐问题的网络DGC-Net；钢琴乐谱数据集POD；通过类别分层实现零次学习迁移

1

DGC-Net: Dense Geometric Correspondence Network

这篇论文解决了两张图像之间密集像素对齐的问题，这一问题与光流估计任务很相似，其中光流方法能对微小像素的装转换和遮挡场景生成非常精确的结果。在这篇论文中，我们提出了一种由粗糙到细腻的CNN框架，它可以利用光流方法的优点，并将它们扩展到大型转换任务中，精确实现密度和子像素的估计。

地址：https://arxiv.org/abs/1810.08393

2

A database linking piano and orchestral MIDI scores with application to automatic projective orchestration

这篇文章介绍了Projective Orchestral Database（POD），它是MIDI乐谱数据集，由钢琴乐谱和与之对应的编曲组成，这是目前第一个乐谱类型的数据集，能对钢琴曲以及和弦进行预测，更重要的是，它能学习钢琴和和弦乐谱之间的关系。

地址：https://arxiv.org/abs/1810.08611

3

Transferrable Feature and Projection Learning with Class Hierarchy for Zero-Shot Learning

零次学习（zero-shot learning）的目的是将知识从已知类别中迁移到未知类别中，从而让后者可以在没有训练样本的情况下被识别出来。这使得在特征空间和语义空间中学习一个项目函数变得可能。考虑到已知类别和未知类别是两个领域，所以零次学习通常有较大的阻碍。但是，一个未知类别如果和已知类别同属一个大类的话，它就并非不能被检测到。所以我们提出了新型的零次学习归纳模型，利用大类缩小二者之间的差别。

地址：https://arxiv.org/abs/1810.08329