الكاتب | المتسابق تحرير | الجمل

هذه المقالة سوف أعرض لفترة وجيزة اثنين نشرت ماهر على AAAI عام 2020، الذي فيه الصورة على التقييم الجمالي، والآخر هو حول كيفية تحديد الأهداف وتحديد نقطة محورية في الضوء.

ورقة: إعادة النظر في تقييم الصورة الجمالية

تزيد السرعة غير iting صورة تقييم الجمالية عن طريق وsuperv الذاتي غير الطبعة ميزة التعلم (إعادة النظر في صورة جمالية من خلال التقييم الذاتي يتميز التعلم إشراف)

عنوان ورقة: الشبكي: //arxiv.org/pdf/1911.11419.pdf

التقييم الجمالي جودة الصورة هو مجال هام للبحوث رؤية الكمبيوتر. في السنوات الأخيرة، وقد اقترح الباحثون العديد من الأساليب الفعالة، حققت تقدما كبيرا في التقييم الجمالي. هذه الأساليب تعتمد في الأساس على نطاق واسع، تتعلق الجماليات البصرية للعلامة صورة أو سمة، ولكن هذه المعلومات يتطلب في كثير من الأحيان وصفت تكاليف العمالة المكلفة. من أجل خفض تكلفة الشرح اليدوي، "باستخدام التعلم الذاتي تحت إشراف لتعلم التمثيل البصري للالتعبيرية الجمالية" هو اتجاه بحوث قيمة له.

في هذه الورقة، نقترح بسيطة وفعالة طريقة التعلم تحت إشراف النفس في هذا الاتجاه. الدافع الأساسي لنهجنا هو: إذا كان توصيف التباين المكاني لا يمكن تحديد نوعية الجمالية من مختلف عمليات تحرير الصور أحدثت، ثم هذه المساحة ليست مناسبة لوصف المهام تقييم جودة الصورة الجمالية. من هذا الدافع، نقترح مهمتين التعلم تحت إشراف النفس المختلفة: يتم استخدام نموذج المتطلبات اللازمة لتحديد نوع الاستخدام من تحرير عمليات على الصورة المدخلات؛ نموذج آخر يتطلب نفس النوع من العمليات لتميز ولدت تحت معلمات التحكم المختلفة الاختلافات التغييرات الجمالية، من أجل مزيد من تحسين التمثيل البصري للفضاء. تتم مقارنة مقارنة احتياجات التجربة، وسوف نقدم الأسلوب مع أسلوب إشراف النفس الكلاسيكي الموجودة التعلم (على سبيل المثال، التلوين، وسبليت في الدماغ، RotNet، وما إلى ذلك).

وأظهرت النتائج أن: في التقييم الجمالي العام ثلاثة من مجموعة البيانات (أي AVA، AADB، وCUHK-PQ)، لدينا وسيلة يمكن تحقيق الأداء التنافسي. ومن الجدير بالذكر أن نهجنا يمكن أن يكون أفضل من الاستخدام المباشر التسمية ImageNet أو بيانات الأماكن المحددة لوصف طريقة التعلم. وبالإضافة إلى ذلك، فإننا التحقق، مجموعة البيانات في AVA، نهجنا القائم على نموذج، فمن الممكن دون استخدام مجموعة بيانات البطاقات ImageNet، وأفضل وسيلة لتحقيق أداء مماثل.

البحث عن كائنات والتركيز onHighlights: علم الدلالة كائن التعدين لتسليط الضوء على الفيديو كشف viaGraph الشبكات العصبية (وتحديد مجموعة الوجهة في تسليط الضوء على نقطة البؤري: FIG الشبكة العصبية باستخدام المعلومات الدلالي كشف التعدين الهدف الفيديو تمييز)

أوراق تحتوي على وصلة: الشبكي: //pan.baidu كوم / S / 1MHCSRXi75ED_2mr4HqcEBA

مع انفجار تطبيقات الفيديو، سوف يتعرض للمستخدمين في كل يوم إلى الكثير من الفيديو، وتصفح كامل وشاقة تستغرق وقتا طويلا الفيديو. تسليط الضوء على الفيديو كاشف يمكن استخراج جوهر الفيديو، للتخفيف من حدة هذا الوضع إلى حد كبير على.

هناك نوعان من المشاكل الفيديو تسليط الضوء على طريقة الكشف القائمة. أولا، معظم الطرق الحالية تركز فقط على تعلم التمثيل المرئي العام للفيديو، ولكن يتجاهل الكائن الفيديو وتأثيره على التفاعل من الضوء. ثانيا، فإن أفضل طريقة الحالي يستخدم عادة في أزواج الطلب استراتيجية خسارة لا تستخدم المعلومات العالمية. لذلك، نقترح يسلط الضوء على الفيديو الجديدة من الإطار، دعا VH-GNN، بناء كائن من العلاقة بين خرائط الإدراك الحسي والأشياء النمذجة العالمية.

لتقليل تكلفة الحسابية، ونحن على غرار الفيديو إلى نوعين من FIG: FIG الفضاء لالتقاط التفاعل المعقد بين الكائن في كل إطار. . FIG الوقت: الحصول على معلومات الكائن تشير كل إطار والتقاط المعلومات العالمية. على هذا الأساس، قمنا بتصميم دراسة لتعيين العصبية العلاقة تشغيل الشبكات بين العرض ومقاطع الفيديو منها.

وعلاوة على ذلك، فإننا نقترح لتحسين خسارة نموذج متعدد المراحل، في المرحلة الأولى، وحسبنا النتيجة لكل مقطع الفيديو، وتحقيق الاستخدام الأمثل للخسارة التصنيف؛ ثم إعطاء النتيجة وفقا للنقاط صعبة على المرحلة السابقة من العينة، وتستخدم بعد ذلك ل فقدان الفرز لتحسين النموذج. أجرينا تجارب على مجموعتين من البيانات العامة، أظهرت النتائج أنه بالمقارنة مع أفضل طريقة لنهجنا، هناك ترقية كبيرة.

لمزيد من المعلومات AAAI عام 2020، في AAAI "2020 المجموعة الصرف "نفذت، بالإضافة إلى وضع مجموعة: إضافة AI سوف Yanxishe مساعد العلوي (AIyanx غير he2)، وتلاحظ "AAAI" دعوة إلى المجموعة.

وقائع AAAI 2020: AAAI 2020 @ وانغ جينغ رقة تفسير (PPT تحميل )