每日论文 | 采样方法比优化方法收敛更快？用深度学习监测贫民窟改善进程；弱监督语义图像分割

1

Sampling Can Be Faster Than Optimization

优化算法和蒙特卡罗采样算法为大量机器学习应用提供了计算基础。但是，很少有人研究过这两类方法论之间的联系，以及它们各自的优缺点。对于凸函数而言，局部最优点即全局最优点，这是很多优化方法奏效的重要前提。对于非凸函数，可以使用采样方法（如MCMC），但普遍比优化方法的收敛要慢得多。而在Michael Jordan等人的这篇论文中，研究人员提出了新观点：有的时候，采样方法比优化方法收敛更快。

地址：https://arxiv.org/abs/1811.08413

2

Slum Segmentation and Change Detection : A Deep Learning Approach

全球有超过十亿人住在贫民窟里，在很多发展中国家，贫民窟居民占总人口的一半以上，他们长期缺少干净的水、电力供应和其他基础设施。所以贫民生活的提高是重要的挑战。在这篇论文中，我们介绍了一种方法可以从卫星图像中进行分割并定位每间房屋，使用区域卷积神经网络，用迁移学习进行实例分割。除此之外，我们还提出了一种方法可以对变化进行监控，关注贫民窟的改进进程。

地址：https://arxiv.org/abs/1811.07896

3

Weakly Supervised Semantic Image Segmentation with Self-correcting Networks

在这篇论文中，我们用弱监督方法减少了语义分割过程中需要准备的数据量。我们用一种原则性框架，训练深度卷积分割模型，将大量弱监督图像和少量完全监督图像结合。

地址：https://arxiv.org/abs/1811.07073