1 جي فاز عمود جديد

نأمل أن نقدم بعض من أفضل المختبرات في مجال الذكاء الاصطناعي والمشاريع البحثية المحلية للقراء وأصدقاء، اليوم نأتي أن الاستخبارات البشرية وصن يات الانصهار المختبرات (CUHK HCPLab) ومنها "بناء على آليات الإنتباه التعلم وجه بنية سحرية "الدراسة.

وكان صن يات صن ذكية بين الانسان والآلة مقدمة الانصهار المختبر

وكان صن يات صن التحام الذكية الانسان والآلة ( الاعتماد على العلوم البيانات وجامعة تشونغشان مختبر الحاسوب، والبحث عن التخطيط لل"تكنولوجيا الذكاء الاصطناعي الأصلي والمتطورة" والقضايا، ومع الصناعة المجتمع للقيام تعاون واسع النطاق، وإخراج عدد كبير من حاضنات التكنولوجيا الأصلية والفريق أكثر المشاريع.

بحث علم الحوسبة في التعلم والذكاء، والروبوتات والأنظمة المدمجة والتكنولوجيات بالتعاون الإنسان والآلة، واستخراج البيانات الكبيرة والتحليل وغيرها من المجالات، من أجل "تسلق قمة الأكاديمية، وركوب التطبيق على أرض الواقع" للعمل أخلاقيات. هناك أستاذ المختبر، أستاذ مشارك 2، حاليا زميل أبحاث 4، ثلاثة مهندسين.

وكان صن يات صن وبين الانسان والآلة الموظفين الانصهار المختبر الذكي: من اليسار إلى اليمين - إلى هوى لين ليانغ وانغ تشينغ تشانغ الشتاء المطر Liguan بن تشان سونغ يو ليو في كثير من الأحيان

الذي البروفيسور لين ليانغ شانغ سلالة المجموعة كمدير تنفيذي للبحث والتطوير، هو الفائز الوطني للمؤسسة المتميزة للشباب علوم، نائب مدير وزارة التربية والتعليم، زميل IET مركز أبحاث هندسة البرمجيات لالعملاق، وقد تم اختيار 2017؛ وهوى هو أستاذ مشارك في جامعة تشونغشان "مائة" موهبة تم الحصول على مقدمة الماجستير والدكتوراه في جامعة هونغ كونغ للعلوم والتكنولوجيا وجامعة هونغ كونغ؛ والبروفيسور وانغ Qingfu الحصول على جوجل ResearchAward، والوصول إلى العمل في معهد ماساتشوستس للتكنولوجيا وسائل الإعلام مختبر (وسائل الإعلام MIT مختبر). أكملت مختبر مشاريع البحوث التي أجريت أو أكثر من 30 المستويات، ومجموع تمويل البحوث أكثر من عشرات الملايين. فريق البحث قد نشرت حتى الآن في أعلى المجلات الأكاديمية الدولية والمؤتمر أكثر من 100 ورقة، بما في ذلك أوراق نشر أكثر من 50 بحثا علميا في المعاملات IEEE / ACM عبر، نشرت أكثر من اجتماع 40 المستوى الأعلى CVPR / ICCV / NIPS / الوسائط المتعددة / AAAI / IJCAI الخ المواد، والحصول على جائزة BestPaper NPAR 2010، ACM SIG CHI أفضل ورقة جائزة شرفية، ICME 2014 BestStudent ورقة، الجائزة الأولى 10K أفضل ورقة الماس في العالم من قبل ICME 2017 وغيرها من الحوافز.

في أكبر مؤتمر CVPR 2017 الحاسوب الرؤية السنوي الشهر الماضي، من قبل فريق مختبر البروفيسور لين ليانغ أدى في المؤتمر يتم تضمين ما مجموعه سبعة الورق. وفيما يلي مجموعة مختارة نواجهها كحصة تكوينات التكنولوجيا الوهمية.

واستنادا إلى آليات الإنتباه الإنسان من وجهه تعلم بنية ماجيك

انخفاض القرار الوجه استعادة الصورة، في اشارة الى استخدام صورة ذات دقة منخفضة واحدة أو عدة وجها لاستعادة صور واضحة وعالية الدقة من وجه الإنسان. طرق استعادة التيار الحالية تحاول تعلم رسم الخرائط منخفضة الدقة من منطقة الصورة إلى صور عالية الدقة المنطقة دون نموذج مختلف مجالات العلاقة. في سيناريوهات التطبيق العملي مثل المراقبة بالفيديو، والوجه هو عادة دقة منخفضة جدا، مثل هذه الأساليب أكثر صعوبة لاستعادة القرار وجه عالية. لهذه الصعوبة، نقترح الاهتمام-awareFace الهلوسة إطار نموذج تعزيز التعلم تهدف إلى تحقيق فائقة قرار اعادة اعمار منخفضة الدقة وجه عن طريق تحديد دوريا واستعادة مناطق مختلفة على الصورة وجها قرار منخفضة. على وجه التحديد، وسياسة الشبكة (شبكة السياسة) قبل جزء من استعادة صورة الوجه على أساس تحديد منطقة لاستعادتها، وآخر نتائج محلية تعزيز قبل الشبكة المرجعية المستعادة (enhancementnetwork المحلية)، إلا أن المنطقة تعزيزها. الطريقة هذه أن المنطقة يمكن الحصول على مساحة غيرها من المعلومات قد تعززت، لذلك على غرار العلاقة على المنطقة الصورة بأكملها أثناء الترميم. تدريب نموذج، استراتيجيتنا مع تعزيز الشبكة المحلية وتدريب الشبكة. استخدام التعزيز الأساليب، الصورة الكاملة لاستراتيجية التدريب PSNR لشبكة إشارة مكافأة التعلم، واستخدام كل خطوة من متوسط تدريب مربع الخطأ المحلي لتعزيز الشبكة المحلية. أجرينا تجارب على LFW، فقد بينت النتائج أن الخوارزمية المقترحة هي أفضل بكثير من أفضل خوارزمية الحالية.

الشكل 1. فائقة قرار اعادة اعمار المنطقة المحلية، ويعطي المعلومات المتعلقة منطقة HD سيتعافى أبسط من ذلك بكثير

• نموذج:

FIG 2 هو تخطيطيا العام للإطار لدينا علم-الاهتمام الوجه الهلوسة من:

الشكل 2. الاهتمام علم الوجه الهلوسة وتخطيطيا للإطار العام

في كل خطوة، وعلى مرأى ومسمع قبل إدخال تحسين النتائج، وذلك باستخدام سياسة لتحديد خريطة على مستوى المنطقة الشبكة، وتحسين الصورة وتتعزز الشبكة المحلية، ونتيجة لزيادة نسخة غطاء الأصلي، وكإدخال المقبل. وكان هذا الإجراء يتكرر مرات T للحصول على النتيجة النهائية للترميم.

تعزيز نهج شبكة الاتصال المحلية وتفاصيل نموذج الشبكة العملية هو مبين في الشكل (3):

3 استراتيجيات لتعزيز الشبكة وتفاصيل نموذج الشبكة المحلية لعملية

في كل خطوة، أدخل يتم إنشاء شبكة السياسة على "الدولة". "الحالة" ويتألف من جزأين، قبل كافة الخطوات النتائج FIG المعززة في كل محلية، والجزء الآخر هو متجه الضمني S3 من شبكة الذاكرة ولدت على المدى القصير والطويل نهج الشبكة. سياسة شبكة ناقلات الصورة المدخلة سحبها إلى فترة طويلة، من خلال طبقة اتصال كاملة، وشبكة الذاكرة على المدى القصير والطويل 512 يولد البعد المتغير مخفي، المتغير الناتج احتمال قابيل FIG الحجم الأصلي على إجمالي طبقة الاتصال. نحن بناء على المؤامرات الاحتمالات، أخذ العينات العشوائية من منطقة صورة ذات حجم ثابت.

نفس الشبكة المحلية المحسنة تعزيز النتائج السابقة باستخدام طبقتين مرتبطة ارتباطا كاملا لترميز، ثم تدرج إلى نفس المنطقة اختيار حجم بواسطة ميزة أخرى FIG طبقات مرتبطة ارتباطا كاملا، وصورة المنطقة ومجتمعة، بعد تلفيفي العصبية وقد تم تعزيز شبكة صورة المنطقة، والعودة إلى الصورة المدخلة.

نحن نستخدم اثنين من أساليب التدريب المختلفة لتدريب في نفس الوقت تعزيز شبكة واستراتيجية الشبكة المحلية. لموضعي تعزيز شبكة، استخدمنا منطقة صورة عالية الدقة ومنطقة مختارة من الخطأ مربع يعني بوصفها وظيفة فقدان باستخدام طريقة التدرج نزول تدريب الشبكة. مجال شبكة المعلومات سياسة الاختيار ودون إشراف، ونحن نستخدم التدريب تعزيز التعلم. يتم استرداد مكافأة إشارة إعداد R بين الصورة الأخيرة من الأصلية وصورة عالية الدقة مربع الخطأ نفسه. يمكن هذا التأخير إشارات استراتيجية مكافأة العالمية بتدريب الشبكة، مما يجعل من شبكة الى المزيد من الدراسة واختيار المنطقة برمتها تسلسل اختيار تسلسل، وتحسين تأثير الانتعاش النهائي.

• التجربة:

اختبرنا ثمانية مرات من تأثير الانتعاش أسفل أخذ العينات وعينات أسفل أربع مرات في صورة الوجه على LFW وBioID مجموعة البيانات، مقارنة مع الطريقة السابقة قد تحسنت إلى حد كبير:

استعادة 4. FIG جزء صورة تصور النتائج:

الشكل (4)

ملحق:

1. المعلومات المكتوبة:

"الاهتمام-AwareFace الهلوسة عبر ديب التسليح التعلم"، Qingxing تساو، ليانغ لين *، يو كاى شي، Xiaodan يانغ، وGuanbin لي، ROC. من مؤتمر IEEE على الحاسوب الرؤية الاعتراف andPattern (CVPR)، عام 2017.

2. وكان صن يات صن وبين الانسان والآلة الذكية موقع الانصهار المختبر الرسمي للارتباط ورقة المقابلة: HTTP: //hcp.sysu.edu.cn/attention-aware-face-hallucination/

انقر هنا لقراءة المقال الأصلي لمعرفة التفاصيل، ونأمل أن تتمكن من الانضمام ~