لمساعدتك على تعلم أفضل الشباب البحوث والمتطورة الأكاديمية التكنولوجيا واستعراض التكنولوجيا AI رقة مشتركة Yanxishe (paper.yanxishe.com)، ثقيلة أطلقت اليوم [الورق] جزء، كل يوم لاختيارك الذكاء الاصطناعي المتطورة الأوراق بالنسبة لك لمعرفة المرجعية. وفيما يلي مجموعة مختارة من المحتوى اليوم -
دليل
-
السببية فسيفساء: السبب والنتيجة الاستدلال عبر اللاخطية ICA وأسلوب فرقة
-
الدوافع الذاتية والعرضية ذكريات للروبوت استكشاف فضاءات الحسية العالية الأبعاد
-
ديب التسليح التعلم لبوز الإنسان الناشطة تقدير
-
الشبكات العصبية Kervolutional
-
ديب فيديو فائقة الدقة باستخدام HR البصرية تقدير التدفق
-
قاعدة قوية ودفعة التطبيع الرقبة لأعماق الشخص إعادة تحديد
-
FACLSTM: ConvLSTM مع تركيز الاهتمام على التعرف على النص المشهد
-
نهاية إلى نهاية للتدريب فيديو فائقة الدقة القائم >
-
TableNet: نموذج ديب التعلم من أجل الكشف عن جدول نهاية إلى نهاية، واستخراج البيانات جدولي من الصور الممسوحة ضوئيا وثيقة
-
متبادل متوسطات التدريس: مصفاة تسمية الزائفة للبدون اشراف التكيف المجال
السببية فسيفساء: ICA غير الخطية طرق الاستدلال السببي والتكامل
عنوان الاطروحة: السببية فسيفساء: السبب والنتيجة الاستدلال عبر اللاخطية ICA وأسلوب فرقة
الكاتب: وو بنغتشو / Fukumizu كينجي
تاريخ النشر: 2020/01/07
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8418؟from=leiphonecolumn_paperreview0109
أوصت السبب: لإيجاد حل لمشكلة التمييز بين السببية في إعدادات ذات المتغيرين. استنادا إلى تحليل عنصر مستقل غير الخطية (ICA) هو أحدث تطور، وتدريب غير حدودي نموذج السببية الخطي العام يسمح الضوضاء غير مضافة. وبالإضافة إلى ذلك، يحدد المؤلف إطارا كليا، أن السببية الفسيفساء، ليؤدي إلى محاكاة نموذج غير الخطية عن طريق خلط.
الكاتب على حد سواء الاصطناعية والعالم الحقيقي مؤشر قواعد البيانات هذه الطريقة بالمقارنة مع النهج الآخر في الآونة الأخيرة، ومنهجه في عرض أحدث الأداء.
الفضاء الحسي استكشاف الروبوتية عالية الأبعاد من الدوافع الذاتية والذاكرة العرضية.
عنوان ورقة: الدوافع الذاتية والعرضية ذكريات للروبوت استكشاف فضاءات الحسية العالية الأبعاد
الكاتب: سكيلاتشي غيدو / فيلالباندو أنطونيو بيكو / هافنر فيرينا فانيسا / Hanappe بيتر / Colliaux ديفيد / Wintz تيموتي
تاريخ النشر: 2020/01/07
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8419؟from=leiphonecolumn_paperreview0109
أوصت السبب: يعرض هذه الورقة أعمال الهندسة المعمارية، ويمكن للبنية توليد استكشاف يحركها الفضول الهدف الموجه صورة مصغرة السلوك استشعار الروبوت الزراعي. وقد تم استخدامه جنبا إلى جنب عمق الشبكة العصبية للتعلم غير خاضعة للرقابة من دون اتصال صورة لأداء ميزات المنخفضة للالأبعاد للتعلم، وسطحية التعلم عبر الإنترنت الشبكة العصبية، ونظام للحركة إلى الأمام والحركة العكسية المدرسة. الفضول المتنازل نظام مصطنع قيمة لفائدة مجموعة من هدف محدد مسبقا، واستكشاف واكتشاف حملة لتحسين التعلم والتقدم التي من المتوقع أن تعظيم.
ويقترح المؤلفان أن الذاكرة العرضية سيتم دمجها في أنظمة الدوافع الذاتية للتعامل مع مشاكل النسيان الكارثية التي تصادفها في تنفيذ الشبكات العصبية الاصطناعية التحديث على الانترنت. نتائجنا تظهر أن نظام التخزين لا يمكن أن تمنع فقط نموذج سيناريو حساب نسي بسرعة المعرفة المكتسبة سابقا، ولكنها توفر أيضا وسيلة جديدة لتحقيق التوازن بين الاستقرار ونموذج تنظيم اللدونة.
لنشط تقدير البشري تشكل جسد عمق تعزيز التعلم
عنوان الاطروحة: ديب التسليح التعلم ل Active الإنسان بوز تقدير
الكاتب: غارتنر إريك / Pirinen ألكسس / Sminchisescu كريستيان
تاريخ النشر: 2020/01/07
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8416؟from=leiphonecolumn_paperreview0109
أوصت السبب: والأساليب القائمة تقدير 3D الإنسان تشكل تفترض صور مشهد جمعها من فيديو واحد أو أكثر زاوية عرض يمكن استخدامها، بحيث تركز على المقاييس إلى المعرفة والمعلومات السابقة من خلال دمج المعلومات المكانية أو الزمانية. تبحث هذه الورقة للمراقب نشط يمكن ان تتحرك بحرية واستكشاف المشكلة تقدير تشكل البشرية المشهد 3D واقتراح برنامج يسمى بوز-DRL نموذج تقدير على أساس تعزيز تعلم لغة الجسد. بوز-DRL يمكن اختيار أفضل زاوية عرض في أبعاد المكان والزمان تشكل تقدير. تجارب على شامل الإراءة مجموعات البيانات متعددة زاوية تظهر أنه بالمقارنة مع النموذج الأساسي، تعلمت بوز-DRL كيفية اختيار وضعية قادرة على إنتاج تقديرات أكثر دقة من منظور.
الإلتواء نواة الشبكة العصبية
عنوان الاطروحة: Kervolutional الشبكات العصبية
الكاتب: وانغ تشن / يانغ جيان / شيه لي هوا / يوان Junsong
تاريخ النشر: 2019/04/08
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8415؟from=leiphonecolumn_paperreview0109
أوصت السبب: الأبحاث المتعلقة بالشبكة العصبية التلافيف الموجودة يعتمد في الغالب على الطبقة النشطة، والطبقة النشطة الحالية يمكن أن توفر سوى نقطة غير الخطية التي كتبها نقطة. لحل هذه المشكلة، وهذا يعرض ورقة عملية جديدة نواة الالتواء (Kervolution)، وذلك باستخدام المهارات الأساسية لتقريب سلوك الأنظمة المعقدة الإدراك البشري. الإلتواء نواة لتعزيز قدرة يلتقط نموذج عالية ترتيب العناصر تتفاعل وكتلة الحكيم من وظيفة النواة، دون إدخال غيرها من المعالم. تظهر عدد كبير من التجارب أنه بالمقارنة مع خط الأساس CNN، الشبكة العصبية التفاف نواة المستندة لديها أعلى دقة وأسرع التقارب.
عن طريق العمق البصري إعادة الإعمار دفق الفيديو قدر فائقة الدقة
عنوان الاطروحة: ديب فيديو فائقة الدقة باستخدام HR البصرية تقدير التدفق
الكاتب: وانغ Longguang / قوه يولان / ليو لي / لين Zaiping / دنغ Xinpu / ان وى
تاريخ النشر: 2020/01/06
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8414؟from=leiphonecolumn_paperreview0109
أوصت السبب: بناء على الطريقة التقليدية المتبعة في تقدير عمق التعلم غالبا ما تكون منخفضة التدفق قرار بصري بين الإطارات لتوفير تعتمد على الوقت، ولكن حل النزاعات بين دقة منخفضة وعالية الدقة تدفق بصري إطار الناتج سيمنع تفاصيل الانتعاش. لحل هذه المشكلة، تقترح هذه الورقة اقصاه الى اقصاه تدفق الشبكة إعادة التشكيل البصري دعا البصرية تدفق إعادة إعمار شبكة (OFRnet)، الذي تدفق البصرية من الإطار منخفضة الدقة يوفر الوقت تعتمد دقيقة، وفي نهاية المطاف تحسين أداء المهام الفيديو فائقة الدقة. المقالات باستخدام عالية الدقة تدفق البصرية تعويض الحركة تتم في ترميز تعتمد على الوقت، ستدخل في نهاية المطاف دقة منخفضة كقرار السوبر لشبكة المدخلات وذلك لتحقيق نتائج فائقة الدقة. وتشير هذه الورقة تجارب عالية الدقة تدفق الضوئية لتحسين فعالية أداء فائقة الدقة، والتجارب على ثبت أيضا OFRnet مجموعات البيانات Vid4 DAVIS 10 وصلت أداء SOTA.
تحديد المشاة قاعدة عمق الثقيلة قوية وبنية الأكبر تطبيع
أطروحة العنوان: قوية الأساس دفعة والتطبيع الرقبة لأعماق الشخص إعادة تحديد
الكاتب: لوه هاو / جيانغ وي / قو Youzhi / ليو Fuxu / لياو Xingyu / لاي شينكي / قو جيانيانغ
تاريخ النشر: 2019/06/19
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8413؟from=leiphonecolumn_paperreview0109
أوصت السبب: هذه الورقة هي النظر في مشكلة الاعتراف المشاة الثقيلة. الشبكات العصبية عمق الحصول على الكثير من استخدام المشاة الثقيلة في تحديد المشاكل، ثم هذه النماذج غالبا ما تكون معقدة للغاية. هذه الورقة التي تم جمعها وتقييمها تقنيات التدريب الفعالة لتحديد القائمة المشاة ورقة ثقيلة تنشأ، من خلال الجمع بين هذه التقنيات، والمادة ResNet50 فقط، فإنه يمكن أن تصل إلى 85.9 و 94.5 من متوسط 1 مجموعات رتبة البيانات على Market1501 دقة. اقترح الورقة أيضا هيكل جديد يسمى دفعة التطبيع الرقبة (BNNeck)، في أعقاب المجمع العالمي للطبقة يضيف طبقة التطبيع دفعة، لقياس وتصنيف فقدان اثنين من الفضاء ميزة متميزة. هذه الورقة من قبل عدد كبير من التجارب تظهر BNNeck يمكن تحسين أداء النموذج المرجعي.
FACLSTM: التركيز على الساحة التعرف على النص ConvLSTM
عنوان الاطروحة: FACLSTM: ConvLSTM مع تركيز الاهتمام على التعرف على النص المشهد
الكاتب: وانغ تشينغ تشينغ / جيا ون جينغ / خه كشيانغجيان / لو يو / Blumenstein مايكل / هوانغ يي
تاريخ النشر: 2019/04/20
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8412؟from=leiphonecolumn_paperreview0109
أوصت السبب: هذه الورقة هي حل مشكلة المشهد التعرف على النص، وقد وردت الصين للعلوم علم المعلومات.
ورقة تعتبر الزمكان ثنائي الأبعاد صورة إدخال النص التنبؤي مشكلة الاعتراف على الساحة في الطبيعة، وبناء على هذا السيناريو المقترح على أساس التعرف على النص نموذج FACLSTM التفاف LSTM، واستخدام LSTM للتنبؤ الأمر بتنفيذه، ويمكن الاستفادة الكاملة من بكسل الفضاء أهميتها. في حين الورق من خلال آليات الاهتمام ConvLSTM عملية التفاف دمجها في بنية وذلك للتركيز على منطقة ميزة الصحيحة. في إشارة مجموعة البيانات IIIT5K، والنتائج التجريبية على SVT وعرض لطيف، FACLSTM تظهر ميزة تنافسية على النص منخفضة الدقة التقليدية والصور صاخبة والنص على منحنية إلى حجم أكبر من أحدث الأسلوب.
واستنادا إلى النهاية، آليات تقدير الحركة والتعويض الضمني جديدة يمكن تدريب فائقة دقة الفيديو
عنوان الاطروحة: نهاية إلى نهاية للتدريب فيديو فائقة الدقة القائم > المؤلف: ليو شياو هونغ / هونغ ينغشي / تشو يانغ / تشاو Jiying / تشن يونيو
تاريخ النشر: 2020/01/05
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8411؟from=leiphonecolumn_paperreview0109
أوصت السبب: هذه الورقة هي WACV عام 2020 لاستلام وبحث مشكلة فائقة دقة الفيديو.
يتم إنشاء فيديو المقابلة لقرار فائقة من انخفاض دقة الفيديو. العديد من الأساليب دقة الفيديو فائقة اقترحت مؤخرا باستخدام الشبكة العصبية التفاف بالتزامن مع تعويض الحركة واضح، وذلك باستخدام الاعتماد الإحصائي في إطار دقة منخفضة ومنخفضة الدقة عبر الإطارات. ويعرض ورقة هذا دينامية جديدة تصفية الجزئي الشبكة، واستخدام بكسل الهدف محددة مصممة خصيصا لعينات محددة وديناميكية موقف مرشح محلي لأداء تقدير الحركة الضمني والتعويض. يقترح هذا البحث أيضا في الشبكة بالاعتماد على تحسين ResBlock هيكل التشفير التلقائي العالمي والاستفادة من علاقة غير المحليين تعزيز التماسك المكانية والأطر فائقة الدقة. وقد اظهرت النتائج أن طريقة من هذه الورقة هو أفضل من أفضل التقنيات الحالية وإظهار مزايا التجهيز المحلي التحويل، حافة الحدة، والاتساق الزمني هلم جرا.
TableNet: نموذج التعلم عمق للكشف عن نهاية الجداول والبيانات الجدول المستخرج من صورة المستند الممسوح ضوئيا
عنوان الاطروحة: TableNet: نموذج ديب التعلم من أجل الكشف عن جدول نهاية إلى نهاية، واستخراج البيانات جدولي من الصور الممسوحة ضوئيا وثيقة
الكاتب: باليوال Shubham / D فيشواناث / راهول روهيت / شارما مونيكا / فيغ Lovekesh
تاريخ النشر: 2020/01/06
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8410؟from=leiphonecolumn_paperreview0109
أوصت السبب: هذه الورقة هي النظر في مشكلة الجداول الكشف عن الجدول والبيانات المستخرجة من مسح صورة وثيقة.
العقبة الرئيسية أمام بيانات النموذج المستخرج من الصورة الممسوحة ضوئيا هي المعلومات على شكل صورة يحتوي عادة على الطاولة، عددا من التحديات لاستخراج البيانات من الجدول وجود صور الفرعية، منطقة كشف دقيقة بما في ذلك صورة الجدول والكشف في وقت لاحق من صفوف الجدول والأعمدة كشف واستخراج المعلومات. الأساليب السابقة باستخدام نموذجين منفصلة محاولة لحل كشف مستقل وتحديد أشكال هيكل. وتقدم الهدايا ورقة هذا TableNet، جديد نهاية إلى عمق نموذج التعلم الكشف عن بنية الجدول وتحديد الهوية. في هذا النموذج، والجدول الكشف وبنية الجدول الاعتراف الترابط بين هاتين المهمتين لفصل أعمدة المنطقة الجدول المستخرج من الجدول الخط على أساس القواعد الدلالات المحددة في شبه المنطقة. TableNet تحقيقه في الوقت الراهن أفضل النتائج في ICDAR 2013 ومجموعات البيانات الغرير الجدول. وبالإضافة إلى ذلك، توفر هذه الورقة دليلا إضافيا على ملامح الدلالات يمكن زيادة تحسين أداء النموذج، ويبين الطريقة المقترحة أيضا نقل التعلم عبر مجموعات البيانات.
كل يعني التدريس: وسائل لتحديد التكرير الثقيلة مشاة الحقل غير خاضعة للرقابة من العلامة همية التكيف
عنوان الرسالة المتبادلة متوسطات التدريس: الزائفة تسمية المصفاة للبدون اشراف التكيف المجال > الكاتب: قه Yixiao / تشن دابنغ / لي شنغ
تاريخ النشر: 2020/01/06
أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8317؟from=leiphonecolumn_paperreview0109
أوصت السبب: يتم تلقي هذه الورقة ICLR عام 2020، يعتبر مشكلة الاعتراف المشاة الثقيلة.
من أجل الحد من تأثير الضوضاء من العلامات المزيفة عملية تجميع، تقترح هذه الورقة التدريس دعا كل وسيلة أخرى (المتبادلة متوسطات التعليم، MMT) إطار غير خاضعة للرقابة التي يمكن أن تفاعلي صقل حاليا ويصعب على الانترنت الزائفة التسمية لينة صقل من العلامات المزيفة، وتعلم أفضل ميزات من المجال الهدف. مزيد من مناسبة التقليدية خسارة ثلاثية تسمية لينة. لحل هذه المشكلة، يقترح هذا البحث كذلك خسارة ثلاثية جديدة لينة، ودعم استخدام الدراسة التسمية شبه الثلاثي، وذلك لتحقيق الأداء الأمثل مجال التكيف. بعد الاختبار، وإطار MMT على مهمة التكيف نطاق غير خاضعة للرقابة ديوك إلى السوق، السوق إلى MSMT، دوق إلى MSMT تحققت مجموعات البيانات 14.4، 18.2، 13.1 بدرجة كبيرة و 16.4 من خريطة ترقية.
شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ