Scalable Top-n Local Outlier Detection, KDD2017
skew distributionを対象とした場合において、
local outlier factorに基づいた外れ値検出は効果的である。
データにおけるminorityが外れ値の定義と考えた場合に、
本論では外れ値度合いに基づいて上位を抽出する
Top-N local outlier factorを考える。
しかし、単純にTop-Nを求めようとした場合ｋNNを何度も
行う事になり計算量に問題がある。
本論ではそれを解決するスケーラブルな手法としてTOLFと呼ばれる
手法を提案する。
TOLFではmulti-granularityなpruning strategyを導入し、
LOFを計算せずに事前にTop-Nにならない外れ値候補を
除去する事が可能である。
Understanding Convolution for Semantic Segmentation
CNNの利用により、semantic segmentationは大きな改善を実現した。
本論ではさらなる性能向上のために畳み込み処理を改良する手法を提案する。
まずupsampling（decoding)時において単純なbilinear samplingの代わりに、より詳細な
情報補完が可能なdense upsampling convolution(DUC)を提案する。
DUCではdownsampling ratioに合わせて、解像度を変化させずchannel数を調整した各クラスごとの特徴を得る。
そしてchannel方向に保持された特徴を画像高さ、幅方向に展開する事で高解像度化を実現する。
これより、upsamplingなどの追加の処理を行わず畳み込み処理だけで解像度を上げる事が出来る。
またencoding時にも新たにhybrid dilated convolution (HDC)を提案する。
この手法では全体特徴を抽出するためにより大きな受容体を効率良く作成可能で、
通常のdilated convolutionで発生するgridding問題を軽減する事が可能である。
gridding問題は、dilated filterを用いた場合に受容体が歯抜け構造になってしまい、
推論結果においてもその構造が引き継がれてgrid形状のsegmentationが得られてしまう現象である。
HDCでは、従来のように各層で同じdilation rateを使うのではなく、異なった解像度に合わせたrateを
採用する事で、歯抜けを防ぐ構造を持たせる事が可能になる。
Automatic Semantic Style Transfer using Deep Convolutional Neural Networks and Soft Masks
従来のstyle transfer手法の問題点として、異なったセグメント間においてstyleの反映が上手くいかない事が多い
問題がある。
本論では、segmentationの推論を取り入れたstyle transfer手法を提案し、この問題を解決する。
この手法、画像に対するセグメンテーションを行い、その情報を活用しながらstyleの反映を行うよう
設計されている。