科研人必看：多人线性模型、会话问答、身体捕捉、自然语言解析！

对话到举动：大型常识库的会话问答

论文称号：Dialog-to-Action: ConversationalQuestion Answering Over a Large-Scale Knowledge Base

作者：DayaGuo /DuyuTang /NanDuan /MingZhou /JianYin

宣布时刻：2018/9/13

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

引荐原因：中心问题：本文构建了一个对话办理体系，是一个根据常识图谱的问答体系。

立异点：对话办理中的一个中心便是语义解析，本文提出了一种将天然言语转成逻辑表达形式的办法，引入了一个对话框内存办理组件，该组件在为当时对话生成逻辑表单时运用前史实体、谓词和操作子序列。为了尽最大或许防止练习期间在大规模常识库上重复履行的耗时状况，提早进行广度优先搜索算法，以取得能够发生正确答案的言语对及其动作序列，经过最大化发生预期动作序列的或许性来学习该模型。它能够很好的处理上下指代以及外来词的状况

研讨含义：这种模型和其它的模型比较有很大的优势，取得了很好的作用，这儿给我的启示还有一点便是要融入更多的信息来做下流的使命。

从用户反应学习的天然言语解析

论文称号：Learning a Neural Semantic Parser from User Feedback

作者：SrinivasanIyer /IoannisKonstas /AlvinCheung

宣布时刻：2017/4/27

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

引荐原因

中心问题：这篇论文是做语义解析的，中心是将天然言语转成计算机能够了解并履行的SQL言语的生成

立异点：本论文提出了一种快速而容易地为新域构建数据库天然言语接口的办法，搭建了一个端到端的神经序列模型，将天然言语直接转换为SQL标明。然后将模型进行在线学习，经过线上布置，然后直接获取到用户的反应，之后运用这个反应来改善模型的作用

研讨含义：试验标明，这种办法能够快速布置到任何一个新的方针域，比方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

论文称号：Data Recombination for Neural Semantic Parsing

作者：Robin Jia /Percy Liang

宣布时刻：2016/6/11

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

引荐原因

中心问题：这是一篇做语义解析的使命，这也是nlp范畴中最重要的范畴之一，怎么了解一句话，然后完结下流的使命是处理问题的关键所在。

立异点：这篇论文中作者提出了一种新的结构模型，为了树立明晰的逻辑规矩，它将先验常识注入到模型中，然后得到高精度的语义标明，然后促进下流使命，下流是一个通用模型，根据注意力的仿制机制的RNN模型。

研讨含义：数据重组提高了作者的RNN模型在三个语义剖析数据集上的精确性，然后使具有可比监督的模型在规范GeoQuery数据集上取得了最新的功能。

SMPL-X: 表现力身体捕捉: 从一个单一的形象获取手，脸，和身体

论文称号：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.

宣布时刻：2019/4/11

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

引荐原因

SMPL-X: 从单个单眼图画上钩算出人体姿态，手势和面部表情的3D模型。该模型能够终究靠完好细节的手和表情丰富的面孔来扩展SMPL。

该论文经过以下几种重要方法对SMPLify进行了改善：

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

该论文运用大型MoCap数据集练习新的神经网络姿态；

该论文界说了一种既快速又精确的互穿罚分；

该论文自动检测性别和恰当的身体模型（男性，女人或中性）；

评价了一个新的策划数据集的3D精确性

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

SMPL: 一个蒙皮的多人线性模型

论文称号：SMPL: A Skinned Multi-Person Linear Model

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

宣布时刻：2015/10/1

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

引荐原因

提出了一种新的人体形状和方位相关形状改变的学习模型，该模型比曾经的模型更精确，而且与现有的图形管道兼容。蒙皮多人线性模型(SMPL)是一种根据蒙皮极点的模型，它能够精确地标明人体天然姿态中的各种体型。模型的参数从数据中学习，包含rest位姿模板、混合权重、方位相关混合形状、身份相关混合形状和从极点到关节方位的回归器。与以往的模型不同，与方位相关的混合形状是位姿旋转矩阵元素的线性函数。这个简略的公式使练习整个模型从一个相对较大的不同的人在不同的姿态对齐的3D网格。运用线性或双四元数混合皮肤定量评价SMPL的变体，并标明两者都比根据相同数据的BlendSCAPE模型更精确。还将SMPL扩展到动态软组织变形的实在模型中。由于它是根据混合皮肤的，所以SMPL与现有的烘托引擎兼容，能够将其用于研讨意图。

SMPL是当时3D建模的十分火的项目，许多研讨都根据此技能。

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

源码需求注册下载。

官网：https://smpl.is.tue.mpg.de/