今日 Paper | 多人线性模型；身体捕捉；会话问答；自然语言解析；神经语义

2020-02-05 15:04

导语：为了更好地服务广大 AI 青年，AI 研习社正式推出全新「论文」版块

对话到行动：大型知识库的会话问答

论文名称：Dialog-to-Action: ConversationalQuestion Answering Over a Large-Scale Knowledge Base

作者：DayaGuo /DuyuTang /NanDuan /MingZhou /JianYin

发表时间：2018/9/13

论文链接：https://paper.yanxishe.com/review/9232

推荐原因：核心问题：本文构建了一个对话管理系统，是一个基于知识图谱的问答系统。

创新点：对话管理中的一个核心就是语义解析，本文提出了一种将自然语言转成逻辑表达形式的方法，引入了一个对话框内存管理组件，该组件在为当前对话生成逻辑表单时利用历史实体、谓词和操作子序列。为了避免训练期间在大规模知识库上重复执行的耗时情况，提前进行广度优先搜索算法，以获得能够产生正确答案的话语对及其动作序列，通过最大化产生预期动作序列的可能性来学习该模型。它可以很好的解决上下指代以及外来词的情况

研究意义：这种模型和其它的模型比较有很大的优势，取得了很好的效果，这里给我的启发还有一点就是要融入更多的信息来做下游的任务。

从用户反馈学习的自然语言解析

论文名称：Learning a Neural Semantic Parser from User Feedback

作者：SrinivasanIyer /IoannisKonstas /AlvinCheung

发表时间：2017/4/27

论文链接：https://paper.yanxishe.com/review/9231

推荐原因

核心问题：这篇论文是做语义解析的，核心是将自然语言转成计算机可以理解并执行的SQL语言的生成

创新点：本论文提出了一种快速而容易地为新域构建数据库自然语言接口的方法，搭建了一个端到端的神经序列模型，将自然语言直接转换为SQL表示。然后将模型进行在线学习，通过线上部署，从而直接获取到用户的反馈，之后使用这个反馈来改善模型的效果

研究意义：实验表明，这种方法可以快速部署到任何一个新的目标域，比如从头开始为在线学术数据库获取语义解析器。

神经语义的数据重组模型

论文名称：Data Recombination for Neural Semantic Parsing

作者：Robin Jia /Percy Liang

发表时间：2016/6/11

论文链接：https://paper.yanxishe.com/review/9230

推荐原因

核心问题：这是一篇做语义解析的任务，这也是nlp领域中最重要的领域之一，如何理解一句话，从而完成下游的任务是解决问题的关键所在。

创新点：这篇论文中作者提出了一种新的框架模型，为了建立清晰的逻辑规则，它将先验知识注入到模型中，从而得到高精度的语义表示，然后促进下游任务，下游是一个通用模型，基于注意力的复制机制的RNN模型。

研究意义：数据重组提高了作者的RNN模型在三个语义分析数据集上的准确性，从而使具有可比监督的模型在标准GeoQuery数据集上获得了最新的性能。

SMPL-X: 表现力身体捕捉: 从一个单一的形象获取手，脸，和身体

论文名称：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.

发表时间：2019/4/11

论文链接：https://paper.yanxishe.com/review/9227

推荐原因

SMPL-X: 从单个单眼图像中计算出人体姿势，手势和面部表情的3D模型。该模型可以通过完整细节的手和表情丰富的面孔来扩展SMPL。

该论文通过以下几种重要方式对SMPLify进行了改进：

该论文检测与脸部，手部和脚部相对应的2D特征，并将完整的SMPL-X模型拟合到这些特征上；

该论文使用大型MoCap数据集训练新的神经网络姿态；

该论文定义了一种既快速又准确的互穿罚分；

该论文自动检测性别和适当的身体模型（男性，女性或中性）；

评估了一个新的策划数据集的3D准确性

https://smpl-x.is.tue.mpg.de上获取模型，代码和数据以用于研究。

SMPL: 一个蒙皮的多人线性模型

论文名称：SMPL: A Skinned Multi-Person Linear Model

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

发表时间：2015/10/1

论文链接：https://paper.yanxishe.com/review/9226

推荐原因

提出了一种新的人体形状和位置相关形状变化的学习模型，该模型比以前的模型更精确，并且与现有的图形管道兼容。蒙皮多人线性模型(SMPL)是一种基于蒙皮顶点的模型，它可以准确地表示人体自然姿态中的各种体型。模型的参数从数据中学习，包括rest位姿模板、混合权重、位置相关混合形状、身份相关混合形状和从顶点到关节位置的回归器。与以往的模型不同，与位置相关的混合形状是位姿旋转矩阵元素的线性函数。这个简单的公式使训练整个模型从一个相对较大的不同的人在不同的姿势对齐的3D网格。使用线性或双四元数混合皮肤定量评估SMPL的变体，并表明两者都比基于相同数据的BlendSCAPE模型更准确。还将SMPL扩展到动态软组织变形的真实模型中。因为它是基于混合皮肤的，所以SMPL与现有的渲染引擎兼容，可以将其用于研究目的。

SMPL是当前3D建模的非常火的项目，很多研究都基于此技术。

并且还开发出了SMPL-X（主要优化了面部的建模），SMPL-H（优化了手的细节建模）, SMPLify（2D照片的固定POSE建模）等几个版本。

源码需要注册下载。

官网：https://smpl.is.tue.mpg.de/