开源代码上新！6 份最新「Paper + Code」 | PaperDaily #17
在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背后的探索和思考。
在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。
點擊本文底部的「閱讀原文」即刻加入社區，查看更多最新論文推薦。
這是 PaperDaily 的第?17?篇文章[ 自然語言處理 ] DuReader: a Chinese Machine Reading Comprehension Dataset from Real-world Applications@zhangjun 推薦
#Machine Reading Comprehension
大型中文閱讀理解數據集，工作來自百度。
TransNets - Learning to Transform for Recommendation@ccclyu 推薦
#Transfer Learning
引入了遷移學習的隱含表示層來減少 test dataset 的稀疏性。
[ 計算機視覺 ] Co-attending Free-form Regions and Detections with Multi-modal Multiplicative Feature Embedding for Visual Question Answering@xiaolu 推薦
#Visual Question Answering
視覺問答任務（Viual Question Answering）是最近 2-3 年興起的多模態任務。對于視覺問答任務，算法需要同時理解圖片內容和語言信息，然后推理出正確的答案。目前常見的方法有多模態特征融合和以及視覺注意力機制。
已有的注意力機制主要有兩類，一類是基于全圖區域的注意力機制，一類是基于檢測框區域的注意力機制，前者容易關注到物體的一部分，后者會缺少一些檢測框。?
本文第一次嘗試將基于全圖區域的與基于檢測框區域的注意力機制融合在一個框架下，充分利用全圖區域和檢測框之間的互補信息；并且提出新的多模態特征融合方法，將問題特征、全圖特征、檢測框特征進行有效的融合。模型在 VQA 和 COCO-QA 兩個主流數據集上實現了目前最好的結果。
Image Crowd Counting Using Convolutional Neural Network and Markov Random Field@cornicione 推薦
#People Counting
文章融合了 MRF 和 deep 網絡，提出了一種統計靜態圖片中人數的方法。
@zk5580752 推薦
#Attention Model
本文是一篇基于 Social LSTM 的后續論文，Social LSTM 是李飛飛團隊于 2016 年提出的行人路徑預測方法。本文則在原文基礎上改進了預測方式，不僅僅基于 RNN 模型，還引入了 Attention Model，使得預測更加精準和全面。
Breaking the Softmax Bottleneck: A High-Rank RNN Language Model@paperweekly 推薦
#RNN
本文嘗試改進了語言模型在預測 next token 時用 softmax 遇到的計算瓶頸。
本文由 AI 學術社區 PaperWeekly 精選推薦，社區目前已覆蓋自然語言處理、計算機視覺、人工智能、機器學習、數據挖掘和信息檢索等研究方向，點擊「閱讀原文」即刻加入社區！
?我是彩蛋?
解鎖新功能：熱門職位推薦！
PaperWeekly小程序升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實習都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區賬號進行登陸
3. 登陸后即可解鎖所有功能
?職位發布?
請添加小助手微信（pwbot01）進行咨詢
?
長按識別二維碼，使用小程序
*點擊閱讀原文即可注冊
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
與50位技術專家面對面20年技術見證，附贈技術全景圖
總結
以上是生活随笔為你收集整理的开源代码上新！6 份最新「Paper + Code」 | PaperDaily #17的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 清华大学冯珺：基于强化学习的关系抽取和文
- 下一篇： HIN2Vec：异质信息网络中的表示学习