协作过滤通常存在真正推荐方案中的稀疏性和冷启动问题，因此，研究人员和工程师通常使用侧面信息来解决问题并提高推荐系统的性能。在本文中，我们认为知识图形作为侧面信息的来源。我们提出MKR，knowledge图的{M} Ulti-Task特征学习方法增强Remecencation。 MKR是一个深度端到端的框架，利用知识图形嵌入任务来帮助推荐任务。这两个任务由交叉& compress单元相关联，它自动共享潜在特征，并在知识图中的推荐系统和实体中的项目之间学习高阶交互。我们证明交叉＆Compress单元具有足够的多项式近似能力，并且显示MKR是几种推荐系统和多任务学习方法的推广框架。通过对现实世界数据集的广泛实验，我们展示了MKR在最先进的基线上实现了电影，书籍，音乐和新闻推荐的大量收益。即使用户项交互稀疏，MKR也能够保持体面的性能。

在过去的几年里，在线评论变得非常重要，因为他们可以影响消费者的购买决定和企业的声誉，因此，写作假审查的做法可能对客户和服务提供商具有严重的后果。已经提出了在在线评论中检测意见垃圾邮件的各种方法，特别是在受监督的分类器的基础上。在这一贡献中，我们从一组用于分类意见垃圾邮件的有效功能开始，我们通过考虑每个特征的累积相对频率分布来重新设计它们。通过从Yelp.com的真实数据执行的实验评估，我们表明使用分配功能能够改善分类器的性能。

Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study Introduction Cardiac magnetic resonance imaging (MRI) is the gold standard for evaluating cardiac function due to its excellent soft tissue contrast, high spatial and...

为语义分割的任务收集标记数据是昂贵且耗时的，因为它需要密集的像素级注释。虽然最近基于卷积神经网络（CNN）的语义分割方法通过使用大量标记的训练数据来实现了令人印象深刻的结果，但随着标记数据的量减少，它们的性能显着下降。发生这种情况是因为随着事实上的跨熵损耗训练的深度CNN可以容易地过度占据少量标记数据。要解决这个问题，我们提出了一种简单有效的对比学习的学习训练策略，我们首先使用像素 - 明智的基于类标签的对比dropout，然后使用跨熵损失进行微调。该方法增加了类内的紧凑性和阶级间可分离性，从而导致更好的像素分类器。\我们展示了使用CityCapes和Pascal VOC 2012分段数据集的完全监督和半监督设置中所提出的训练策略的有效性。我们的结果表明，当标记数据的数量有限时，基于标签的对比损价导致基于标签的对比损价导致大的性能提升（在某些设置中超过20 ％）。

脑结构的精度细分可能有助于胶质瘤和放射治疗计划。然而，由于不同方式之间的视觉和解剖差异，脑结构的准确分割变得具有挑战性。为了解决这个问题，我们首先使用深度编码器和浅层解码器构建基于残差的U形网络，可以缩短框架性能和效率。然后，我们介绍了TVERSKYdropout来解决不同前景和背景类之间的类别不平衡问题。最后，利用模型集合策略来消除异常值并进一步提高性能。

最近，基于骨架的方法在骨骼识别中取得了巨大成功的基础上取得了快速进展。大量研究侧重于根据骨架特征解决特定问题。在几个对象检测的概述中提到了一些基于骨架的方法作为非必要部分。尽管如此，对骨骼的近端方法没有任何彻底的分析。除了理论构建方面，我们不描述关于概述基于骨架的方法，而不是描述关于应用领域的基于骨架的方法，并尽可能地全面地给予任务。本文有利于进一步了解基于骨架的应用和处理特定问题。

移动物体检测和跟踪具有各种应用，包括监视，异常检测，车辆导航等。物体检测和跟踪的文献是足够丰富的，存在几个基本调查论文。然而，由于其复杂性，伪装对象检测和跟踪的研究受到限制。对该问题的现有工作是根据伪装物体或计算机视觉技术的任何生物学特性完成的。本文通过理论透视提供了使用计算机视觉算法的现有伪装对象检测和跟踪技术。本文还涉及该地区的若干利益问题以及未来的研究方向。我们希望本综述有助于读者了解伪装对象检测和跟踪最近的进步。 关键字：伪装对象，检测和跟踪。

StyleGAN在数据驱动的无条件生成图像建模中达到了最先进的结果。我们将揭露和分析其出现一些特征伪影的原因，并提出模型架构和训练方法方面的改进以解决这些问题。特别需要注意的是，我们重新设计了生成器归一化方法，重新审视了渐进式增长架构，并对生成器施加了正则化，使得从潜在矢量到图像的映射中得到良好质量的图像。除了改善图像质量外，使用路径长度调节器还带来了额外的好处，即生成器变得非常容易反转。这使得可以可靠地检测图像是否由特定网络生成。我们进一步对生成器是如何充分应用输出分辨率，并如何确定网络容量问题进行了可视化，从而激励我们训练更大的模型，以进一步提高质量。总体而言，我们改进的模型在现有的分布式指标质量和感知的图像质量方面都刷新了无条件图像建模的最先进技术指标。

我们借鉴风格迁移(style transfer)的想法，提出了一种用于生成对抗网络的新生成器体系结构。 新的架构可自动学习，无监督地分离高级属性（例如，在人脸上训练时的姿势和身份）以及在生成的图像中（例如雀斑，头发）随机变化，并且能够直观地、按特定尺度地控制合成。 新的生成器在传统的生成质量指标方面提高了最新技术水平值，显示出更好的插值特性，并且可以更好地解决变异的潜在因素。 为了量化插值质量和分解，我们提出了两种适用于任何生成器架构的新的自动化方法。最后，我们介绍了一个新的，高度多样化和高质量的人脸数据集。

由于各种姿势，照明条件和遮挡情况，在无约束环境下的人脸检测与人脸对齐仍十分具有挑战性。 最近的研究表明，深度学习方法可以在这两项任务上取得令人瞩目的表现。在本文中，我们提出了一个深度级联的多任务网络，利用检测和对齐之间的内在联系来提高他们的性能。

近年来，深度学习方法已经成功地应用于单图像超分辨率任务。尽管深度学习方法有很好的性能，但由于计算量大的要求，它们很难适用于实际任务。 本文通过提出一种精确、轻量级的图像超分辨率深度网络来解决这一问题。 详细地说，我们在残差网络上设计了一个级联机制的架构。我们也展示了多个不同的级联残差模型来验证算法的有效性。大量实验表明，即使用很少的参数和操作，我们的模型也能达到与最先进的方法相当的性能。

超分辨率生成对抗网络（SR GAN）[1]是一项开创性的工作，它能够在单图像超分辨率任务中生成逼真的纹理。然而，虚幻的细节通常伴随着令人不快的伪影。 为了进一步提高视觉质量，我们深入研究了SRGAN 网络架构，对抗性损失和感知损失这三个关键组成部分，并对其中每一项都进行了改进，产生了一个增强型SRGAN（ESRGAN）。 特别需要注意的是，我们在没有使用批量标准化的情况下引入RRDB Residual-in-Residual Dense Block作为基本网络构建单元。 此外，我们借用RaGAN [2]的思想来让判别器预测图像的相对真实性而不是图像的绝对真实性。 最后，我们使用激活前的特征来改善感知损失，这可以提供对亮度一致性和纹理恢复更强的监督力。 从这些改进中，所提出的ESRGAN实现了更好的视觉质量，具有比SRGAN更逼真和自然的纹理并且赢得了PIRM2018-SR Challenge1中的第一名[3]。