أتى هذا المقال من جوجل الدماغ، يعرض الورقة العقبات ديناميكية التقدمية (PDH) الشبكة العصبية طريقة البحث الهندسة المعمارية، وهذه الطريقة يمكن تخصيص الموارد بشكل حيوي إلى مرشحين جيدين نسبيا في النهاية الحصول على "تطورت محول"، والعديد من مهمة ترجمتها (WMT 2014 باللغة الإنجليزية، الألمانية، WMT 2014 الإنجليزية-الفرنسية، WMT 2014 الإنجليزية-التشيكية، LM1B) نسبة إلى محول تحسن مستمر الأصلي، وكفاءة الحسابية أعلى وأقل المعلمة حجم.

هذا المقال هو فريق AI قناة الصغرى وجامعة شنغهاي جياو تونغ نشرت في AAAI 2019 العمل، أوراق المعنية بمهمة معرفة خلفية الحوار التي تم إنشاؤها بواسطة آلية آلية توليد المؤشر والتركيز، ويقوم على أساس الحوار التاريخ وتوليد المعرفة الخلفية أكثر اعتمادا الرد مغزى. ويقترح المؤلفان آلية لتوليد تعميما لمؤشر يمكن أيضا نسخ الكيانات من التاريخ الحديث والمعرفة الخارجية. وبالإضافة إلى ذلك، يقترح المؤلفان أيضا على أساس الكتلة شعاع البحث خوارزمية يمكن تسلسل مماثلة حيوي في فك الحزمة التصنيف الدلالي، لتجنب توليد الرد عامة.

تم نشر هذا المقال العمل MultiComp مختبر جامعة كارنيجي ميلون في AAAI 2019. تحليل المشاعر متعدد الوسائط هو الجديدة مجالات البحوث الأساسية من البرمجة اللغوية العصبية، والبحث عن اللغة العاطفية المتحدث، وضع البصرية والصوتية التعبير. متعدد وضع تعلم التحدي الأساسي ينطوي الاستدلال يمكن أن تتعامل مع هذه الطرائق والمعلومات المرتبطة بها، والتمثيل المشترك. ومع ذلك، والعمل الحالية التي تتطلب أن جميع مشتركة ممثلة على النحو الوضع التعلم المدخلات، وبالتالي، يمثل التعلم قد تكون حساسة للضوضاء أو فقدان وضع الاختبار.

مع نجاح نموذج Seq2Seq الترجمة الآلية، وفرصة لاستكشاف أساليب جديدة في اختبار كل طريقة إدخال التمثيل المشترك قد لا تكون مطلوبة. اقترحت الورقة الطريقة التي التبديل بين وضع تعلم ممثلة مشتركة قوية. طريقة ورقة يوفر طريقة استخدام فقط طريقة مصدر ممثلة التعلم المدخلات أساس مشترك مفتاح البصيرة، أي من المصدر إلى تحويل الوضع الوجهة.

ورقة خسارة دورة لزيادة اتساق تحويل مشروط، لضمان أقصى قدر من المعلومات وأعرب معا تحفظات جميع وسائط. وبمجرد أن البيانات نموذج الترجمة باستخدام التدريب يقترن متعدد الوسائط، ونحن بحاجة فقط للحصول على البيانات من مصدر الوسائط التنبؤ النهائي العاطفي في وقت الاختبار. هذا يضمن أن تأثير نموذجنا غير منزعجة أو معلومات في طرائق أخرى في عداد المفقودين.

نحن استخدامها للتنبؤ أهداف يقترن تدريب نموذج ترجمتنا، وتحقيق نتائج جديدة على أحدث متعدد الوسائط بيانات تحليل المشاعر: جامعة كارنيجي ميلون-موزي، ICT-MMMO ويوتيوب. تبين التجارب الإضافية التي المزيد والمزيد من نموذجنا للمشترك التمثيل التعلم تمييز، لها طريقة أكثر المدخلات، مع الحفاظ على متانة فقدان أو اضطراب الأوضاع.

هذه المقالة من الأكاديمية الصينية للعلوم وجامعة توسون في المستقبل. مشاكل حجم الهدف المهام كشف المتنوعة من أجل حل هذه المشكلة، وظهور العديد من الخوارزميات التقليدية تشمل SSD، FPN، SNIP، الخ.،. واستنادا إلى الخبرة الميدانية دراسة تأثير مستويات مختلفة الأهداف، تقترح المؤلفين شبكة ترايدنت الجديدة (TridentNet).

من أجل وضع نموذج لحجم مختلفة من "التعبير" وجوه تقريبا، ميزة إشارة الشبكة استخراج SNIP، وذلك باستخدام "على نطاق علم" لهيكل مواز. من أجل تسريع سرعة نموذج المنطق، وذلك باستخدام المتوسعة خصائص FIG التفاف الحصول على حقل تقبلا مختلفة، وذلك لتحقيق الغرض من الكشف عن الهدف مستويات مختلفة، وصفت ممارسات SNIP استبداله في مختلف المستويات المستهدفة مولد الهرم.

أتى هذا المقال من الصحراء، والتكنولوجيا، وفاز COCO النقاط الرئيسية 2018 بطولة. هذه الورقة تهدف إلى تصميم جسم موقف جيد طريقة الكشف عن متعدد المراحل، مع زيادة في عدد مرحلة الشبكة، والقدرة التنبؤية للنموذج تدريجيا لتحسين الشبكة. والساعة الرملية، وليس مثل غيرها من الشبكات، وزيادة عدد من مرحلة ولا يحسن بشكل كبير من قدرة التنبؤية للنموذج. تستخدم حلول المؤلف من أعلى إلى أسفل، وسوف تركز على الكشف عن نقاط مشتركة واحدة. لمشاكل الخوارزمية متعددة المراحل، كانت المؤلفين استكشاف مختلف.

Phil الموصى بها

كشف #Object

هذه المقالة من الجامعة الصينية في هونغ كونغ للعلوم والتكنولوجيا اسرة شانغ، والأمازون ونانيانغ التكنولوجية، وتقترح هذه الورقة طريقة جديدة لتوليد مرساة --Guided رسو، وهذا هو لتوجيه المرساة التي تم إنشاؤها بواسطة ميزة الصورة. من خلال التنبؤ الموقف وشكل مرساة، وتوليد شكل مرساة تعسفية متفرق، وتهدف إلى إصلاح ملامح وحدة ميزة التكيف FIG جعله أكثر من تطابق شكل مرساة.

رابط أوراق

https://www.paperweekly.site/papers/2806

afei الموصى بها

#Image الإنقسام

تعرض هذه الورقة شبكة تجزئة جديدة --BOWDA نت. وبناء على هذه الشبكة، لتحتل المرتبة الأولى في MICCAI 2012 من سباق تقسيم البروستاتا، والنتيجة هي حالة من الفن. هناك نوعان من الابتكارات: 1) لالبروستاتا MR حدود الصورة ليست مشكلة واضحة، والحدود الفاصل فقدان الوزن، وعلى نحو سلس الحدود؛ 2) لمجموعات البيانات الصغيرة، ويعتمد المؤلف على الهجرة التعلم GAN والتفكير في حل مشكلة المجال المصدر وتحول المجال الهدف، فإنه يستحق القراءة.

وأوصتpaperweekly

#Image Inpainting

هذه المقالة من جامعة معهد أونتاريو للتكنولوجيا، وتقترح هذه الورقة طريقة استعادة صورة جديدة يمكن إعادة بناء تفاصيل غرامة من الصورة. على وجه التحديد، والكتاب تقترح EdgeConnect نموذج ضد مرحلتين، ويتكون هذا النموذج من المولدات الكهربائية وشبكات تكملة صورة جانبية. تفعله صورة حافة مولد المنطقة توليد الحافة، ثم شبكة تكميلية إلى جانب صورة من الصورة قبل لملء.

رابط أوراق

https://www.paperweekly.site/papers/2832

رابط مصدر

https://github.com/knazeri/edge-connect

JasonZHM الموصى بها

#Image ضغط

A التشفير التلافيف من الحاجة لتحسين معدل ضغط الصورة وجودة ضغط للصورة التي أعيد بناؤها في نفس الوقت، ولكن بسبب نسبة الضغط المستخدمة لوصف معدل بت الترميز ليس الجزئي، لا يمكن أن يكون نشر الخلفي مباشرة. القائمة طرق البحث المستخدمة عادة من قبل إضافي مقدر التدريب الكون لحل هذه المشكلة.

وتعد هذه الدراسة مقدمة من شبكة تشذيب هندسة الشبكات العصبية من حقل البحث، CAE-ADMM النموذج المقترح، ترميز مباشرة التقليم مضغوط، مع الحفاظ على معدل الترميز، حركة استقلال جنوب السودان والأداء MS-حركة استقلال جنوب السودان هم وراء مقدر الكون باستخدام النماذج الحالية والتشفير التقليدي (JPEG، JPEG 2000، وما إلى ذلك). عرض الدراسة أيضا قد تم اختبارها وسيلة لتشذيب تأثير في النموذج.

zhangjun الموصى بها

#Bayesian ديب التعلم

DNN عدم اليقين الكمي هو حاليا التركيز بحثي كبير، في آلة صغيرة البيانات، الطيار الآلي، تعزيز التعلم، النظرية الافتراضية الأمثل، وتستخدم على نطاق واسع في مجالات مثل التعلم النشط التعلم. نهج أكثر تطورا هو المعلمة نموذج كمتغير عشوائي، طريقة تقدير تقريبي (على سبيل المثال: دروس MCMC والطبقة VI) للحصول على توزيع الخلفي متين من كل معلمة، وهذه الطريقة دقيقة نسبيا، ولكنها فعالة حسابيا من الفقراء، وخاصة بالنسبة للبنية معقدة والمليارات أكثر صعوبة من المعلمات الشبكة؛ طريقة أخرى مفيدة نحو اتجاه، استنادا إلى التدريب التقليدي أو SGD + التسرب، لتقريب توزيع الخلفي من المعلمات في الاختبار، بحيث نموذج قد تأخذ في الاعتبار تأثير حالة عدم اليقين عند التنبؤ.

تنتمي هذه الدراسة إلى النهج الثاني، استنادا إلى تقنية تسمى مؤشر ستوكاستيك الوزن المتوسط (SWA)، و T في الأشهر المقبلة المعلمات عصر بيانات إحصائية، بلغ متوسط كتوزيع الخلفي يعني من المعلمات، والتباين كتوزيع التباين (الخلفي إلا بعد النظر في قضية توزيع جاوس، ويفترض أن معظم الطرق). الفكرة هي بسيطة نسبيا، التقليدي نسبيا النظرية الافتراضية طريقة الاستدلال، والكفاءة الحسابية. أسلوب آخر هو ممثل نموذجي من هذا النوع من يارين غال أكسفورد المقترحة MC التسرب.

وأوصتpaperweekly

نظم #Recommender

هذه المادة هي جامعة مينيسوتا ونشرت في العمل Jingdong WSDM عام 2018. معظم الحالي دفع النظام توصية مزيد من الاهتمام للتفاعل الكلي بين المستخدم والسلع (مثل المستخدم - السلع التهديف المصفوفة)، وعدد قليل من شأنه أن الجمع بين السلوك المجهري للبيانات المستخدم (مثل تصفح مدة البضائع، لقراءة والتعليق على السلع) أن يوصي .

هذا المقال من وجهة نظر السلوك المجهري للتحسينات النظام الموصى بها، تعتبر البيانات الكامنة الماكرو المستخدم التفاعل بين المستخدم والسلع، ويحفظ المعلومات تسلسل التفاعل العيانية، في نفس الوقت، كل يحتوي على سلسلة من السلوك التفاعل الجزئي الكلي . على وجه التحديد، ويعرض ورقة نموذج --RIB الجديد، الذي يتألف من طبقة المدخلات، تضمين طبقة (حل بيانات عالية الأبعاد ومشاكل البيانات المتفرقة)، طبقة RNN (توقيت نمذجة معلومات)، طبقة الاهتمام (للقبض على مجموعة متنوعة من السلوك المجهري التأثير) وطبقة الانتاج.

رابط أوراق

https://www.paperweekly.site/papers/2549

وأوصتpaperweekly

#Deformable الإلتواء

هذا المقال من جامعة أكسفورد، وتقترح هذه الورقة توزيع تحول التفاف DSConv، فإنه يمكن بسهولة استبدال معيار بنى الشبكة العصبية، وتحقيق انخفاض استخدام الذاكرة وسرعة الحسابية عالية. وتتحلل DSConv التفاف التقليدي النواة إلى عنصرين هما: نواة متغير تكميم (VQK) وتوزيع الإزاحة. لتحقيق انخفاض استخدام الذاكرة وسرعة عالية إلا من خلال قيم الأعداد المخزنة في VQK الوقت، من خلال تطبيق نواة وتبقى نفسها القائمين على القناة convolved التحول الأصلي على أساس توزيع الانتاج.

المؤلف على ResNet50 و 34 وكذلك AlexNet وMobileNet على مجموعات البيانات ImageNet اختبار DSConv. يتم استبدال عدد صحيح الحساب الفاصلة العائمة، وهذه الطريقة تمكن من تقليل استخدام الذاكرة في النواة التفاف تصل إلى 14X، وزيادة سرعة العملية 10 مرات.

رابط أوراق

https://www.paperweekly.site/papers/2835

وأوصتRcypw

#Network تضمين

وUIUC وHEC مونتريال عام 2018 نشرت هذه المقالة WSDM العمل، رائدة رقة يتم تطبيق فكرة تعزيز التعلم إلى عقدة شبكة متجانسة نجمة يمثل التعلم، ماركوف تسلسل سلسلة للحصول على حواف الأمثل بين العقد. ويتم احتساب جائزة المؤلف إلى أداء عقدة مهمة خارجية يمثل ميزة، والهدف من ذلك هو اتخاذ سلسلة من الإجراءات لتحقيق أقصى قدر من مكافأة التراكمي، نموذج تعزيز التعلم القائم على استخدام طول الذاكرة العميق للشبكة، واستكمال يتعلم الشبكة.

رابط أوراق

https://www.paperweekly.site/papers/2590

Layumi الموصى بها

#Person إعادة تحديد

الآن خط إعادة تحديد نموذج عالية الدقة حقا قوية عليه؟ انها ليست مثل مشكلة تصنيف التقليدية عرضة لمهاجمته؟ الطريقة المقترحة لن تعترف الآن الوزن المشاة أعلى خط الأساس Recall@1=88.56 حسب ما أوردته و= 70.28 (layumi / Person_reID_baseline_pytorch) يقع Recall@1=0.68 حسب ما أوردته و= 0.72.

ضد وجود العينة في العديد من المهام، ولكن كيف لبناء نماذج المواجهة في المهام المختلفة هو المشكلة. لريد، الوضع العادي من الهجوم وتصنيف مختلف. لأن ريد في فئة واختبار التدريب عندما فئات مختلفة، وليس نفس الفئة (أي اختبار وتدريب الناس ليست هي نفس الدفعة، المفتوح مجموعة). لذلك عند بناء انخفاض التقليدي عينة المواجهة في الاحتمال المتوقع للعائد على طريقة التدرج محدودة. في التجربة النتائج هي أيضا مناسبة. تقدم هذه الورقة طريقة جديدة لمهاجمة استرجاع الصور (ريد مسألة فرعية من استرجاع الصور).

المصدر: PaperWeekly

(هذا المقال هو طبع أو مقتطفات الشبكة، وينتمي إلى المؤلف الأصلي أو نشرت في وسائل الإعلام على الإطلاق. كما تنطوي على العمل قضايا حق المؤلف، يرجى الاتصال لنا التعامل معها.)