دليل
الاشتراكي STGCNN: التنبؤ المسار المنحنى نوع مشاة واحدة من الرسم البياني الزمكان الاجتماعي للشبكة العصبية التلافيف
رئيس برنامج تشغيل الصوت مع موقف وجه جيل الفيديو الرأس الطبيعي
نقل أمثلة التعلم التكيفي تطبيع من الضوضاء مركب إلى تقليل الضوضاء الضوضاء الفعلي
CookGAN: صورة تجمع بين المكونات
عن طريق التعلم الهندسي زاوية التصور فائقة الدقة الحقل البصري
الاشتراكي STGCNN: التنبؤ المسار المنحنى نوع مشاة واحدة من الرسم البياني الزمكان الاجتماعي للشبكة العصبية التلافيف
عنوان الرسالة الاجتماعية التى STGCNN: A الاجتماعية المكانية والزمانية الرسم البياني التلافيف الشبكات العصبية لمسار المنحنى الإنسان التنبؤ
المؤلف: محمد عبد الله / تشيان كون / Elhoseiny محمد / كلوديل مسيحي
تاريخ النشر: 2020/02/27
أوراق تحتوي على وصلة: الشبكي: //paper.yanxishe.com/review/12827 من = leiphonecolumn_paperreview0305؟
أوصت السبب
هذه الورقة هي CVPR 2020 الاستقبال، والنظر في مشاكل التنبؤ مشاة مسار.
مشاة تأثير مسار ليس فقط من قبل المشاة أنفسهم، ولكن أيضا على التفاعل مع الأجسام المحيطة بها. تقدم هذه الورقة الزمكان الاجتماعي الرسم تلفيفي العصبية الشبكة (الاجتماعية المكانية والزمانية الرسم البياني التلافيف الشبكات العصبية والاجتماعية-STGCNN)، والسلوك التفاعلي للمشاة والأشياء المحيطة به كنموذج الرسم البياني على غرار، وبين النواة عن طريق مشاة التفاعل الاجتماعي جزءا لا يتجزأ من الجوار المصفوفة. وقد اظهرت النتائج أن، بالمقارنة مع الطرق السابقة، الاجتماعية التى STGCNN الزيادة خطأ النزوح النهائي على حالة التقنية الصناعية السابقة بنسبة 20، وتخفيض المعلمة 8.5 مرات، و 48 مرات أسرع المنطق.
رئيس برنامج تشغيل الصوت مع موقف وجه جيل الفيديو الرأس الطبيعي
عنوان الاطروحة: أغنية يحركها الحديث الجيل الفيديو الوجه مع رئيس الطبيعية بوز
الكاتب: ران يي / Zipeng يي / Juyong تشانغ / Hujun باو / يونغ جين ليو
تاريخ النشر: 2020/02/24
أوراق تحتوي على وصلة: الشبكي: //paper.yanxishe.com/review/12316 من = leiphonecolumn_paperreview0305؟
أوصت السبب
ويرافق الناس في التحدث وجه العالم الحقيقي عادة عن طريق حركات الرأس الطبيعية، ولكن معظم المتحدث الوجه طريقة الجيل الفيديو الموجودة لا ينظر إلا في الأشخاص الذين يعانون ثابت رئيس الموقف الوجه الرسوم المتحركة.
يحل هذا القانون على هذه المشكلة من خلال اقتراح عمق نموذج الشبكة العصبية، ونموذج مصدر إشارة الصوت البشري والفيديو والهدف البشرية V قصير جدا كمدخل، وإخراج الوجه جودة الفيديو المتحدث الناتجة، والتي لديها رأس الطبيعي لفتة (باستخدام المعلومات البصرية في V)، والتعبير والمزامنة بين الشفاه (أخذ وV). التحدي الأكبر لهذا العمل هو موقف رئيس الطبيعي بما في ذلك داخل رأس وخارج الطائرة التناوب، من أجل حل هذه المشكلة، إعادة بنائها واضعي الرسوم المتحركة 3D الوجه وإعادة تقديم أنها تسلسل الفيديو والخلفية لأشرطة الفيديو هذه تجعل الانتقال السلس المزيد من نتائج واقعية، يقترح المؤلفون رواية تعزيز وحدة الذاكرة GAN.
وهناك عدد كبير من التجارب ويظهر بحث المستخدم أن الطريقة يمكن أن تولد ورقة ذات جودة عالية (وهذا هو، وحركات الرأس الطبيعية، وتعبيرات الوجه وتزامن الشفاه) شخصية المتحدث الوجه الفيديو، وأداء طريقة للدولة من بين الفن هو الافضل.
نقل أمثلة التعلم التكيفي تطبيع من الضوضاء مركب إلى تقليل الضوضاء الضوضاء الفعلي
أطروحة العنوان: نقل التعلم من الاصطناعية لريال الضوضاء تقليل الضوضاء على التكيف مع مثيل التطبيع
الكاتب: كيم Yoonsik / سوه جاي وونج / بارك قو يونغ / شو نام ايك
تاريخ النشر: 2020/02/26
أوراق تحتوي على وصلة: الشبكي: //paper.yanxishe.com/review/12691 من = leiphonecolumn_paperreview0305؟
أوصت السبب
هذه الورقة هي استقبال CVPR، والنظر في المشكلة الحقيقية هي إزالة الضوضاء الضوضاء.
هذه الورقة يعرض المعممة الهياكل الحد من الضوضاء ونقل البرامج للتعامل مع الضوضاء الحقيقي معقدة التعلم. ومن الأمثلة على هذا المخطط على التكيف لبناء المخفض الضوضاء تطبيع يمكن تطبيع خريطة ميزة والشبكة ومنع overfitting مجموعة التدريب. هذه الورقة يعرض أيضا الهجرة طريقة التعلم، يمكنك ترحيل من البيانات صاخبة تخليق المعرفة المكتسبة إلى حقول الضوضاء الحقيقية. الاصطناعية الحد من الضوضاء الضوضاء يمكن أن تتعلم من الخصائص العامة لمختلف البيانات الضوضاء الاصطناعية، في حين أن الضجيج الحقيقي الضوضاء الضوضاء يمكن أن تتعلم من الخصائص في الوقت الحقيقي من البيانات الحقيقية. طريقة-الإشاعة دي الجديد المقترح لديه قدرة قوية التعميم، شبكة المدربين يمكن تحقيق أفضل نتائج الأداء في دارمشتات الضوضاء الإدراجات (DND) مجموعات البيانات على الضوضاء الاصطناعية.
CookGAN: صورة تجمع بين المكونات
عنوان الاطروحة: CookGAN: وجبة تجميع صورة من المكونات
الكاتب: هان فانغدا / غيريرو ريكاردو / بافلوفيتش فلاديمير
تاريخ النشر: 2020/02/25
أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/12690 من = leiphonecolumn_paperreview0305
أوصت السبب
وقد نشرت هذه الدراسة في WACV 2020، من خلال تركيب واقعية المكونات الغذائية قائمة الصورة.
الجيل السابق ضد استخدام صورة شبكة عمل الجيل تركز على توليد ضغط والمعرفة من قبل الأجسام الفضائية والصور والمواد الغذائية وأكثر تعقيدا، ويحتوي على مجموعة متنوعة من المكونات الغذائية، والمظهر ونوعية الفضاء سيتواصل متنوعة من طرق الطهي المختلفة . من أجل توليد صورة من الغذاء الحقيقي المكونات، وهذا يعرض ورقة CookGAN، أولا إنشاء نموذج يقوم على الاهتمام من المكونات - صورة نموذج الارتباط، الذي يستخدم بعد ذلك لضبط الصورة لتوليد الشبكة العصبية الاصطناعية الغذاء. وعلاوة على ذلك، دورة CookGAN يتفق مقيدة لإضافة مزيد من الرقابة وتحسين مظهر جودة الصورة. تبين التجارب أن CookGAN يمكن أن تولد صورة المكونات الغذائية المقابلة.
عن طريق التعلم الهندسي زاوية التصور فائقة الدقة الحقل البصري
عنوان ورقة: التعلم الخفيفة الزاوي الميدانية فائقة الدقة عبر شبكة الهندسة علم
المؤلف: جين جينغ / هوى Junhui / يوان هوى / كوونغ سام
تاريخ النشر: 2020/02/26
أوراق تحتوي على وصلة: الشبكي: //paper.yanxishe.com/review/12689 من = leiphonecolumn_paperreview0305؟
أوصت السبب
وقد نشرت هذه الدراسة في AAAI عام 2020، فهو يعتبر ضوء صورة حقل فائقة حل المشكلة.
هناك بعض الطرق لتحسين دقة زاوية من أخذ العينات الميدانية الخفيفة من متفرق، لكنها تركز هذه الأساليب على أصغر مجال ضوء الإشارة، مثل الكاميرا مجال ضوء المستهلك. وتقترح هذه الورقة طريقة لنهاية التعلم، ويهدف إلى الحقل ضوء عينات قليلة لديها قاعدة كبيرة من الزاوي معالجة فائقة الدقة. ويشمل الأسلوب الجديد وحدة التعلم وحدتين على المادية: وحدة تقدير عمق النمذجة صريح المشهد الهندسة لتركيب عرض جديد يستند إلى وحدات المادية للانعطاف، وعلى وجه التحديد المصممة لإعادة بناء المجال البصري للضوء الحقل وحدة الهجين. وبالإضافة إلى ذلك، طريقة جديدة لإدخال فقدان وظيفة جديدة الخفيفة تسهيل بنية الحفاظ مجال التفاوت. النتائج التجريبية على مجموعة متنوعة من مجموعة البيانات الميدانية خفيفة تتضمن صورا ميدانية واسعة بما في ذلك عرض إشارة الضوء الذي مقارنة مع أفضل التكنولوجيا الحالية، أشار الأسلوب في هذه الورقة لديها مزايا واضحة، ويمكن الاحتفاظ بها أفضل مجال الضوء المنظر هيكل.
فريق الكتاب بتجنيد
من أجل تقديم خدمة أفضل لشبابنا AI، AI Yanxishe رسميا قسما جديدا "أوراق" على أمل أن بأنها "نقطة اهتمام" ورقة البلمرة AI طالب الشباب، الذي أوصت به فرز الأوراق، استعراض تفسير رمز على الإنجاب. لتصبح التعلم المتطورة في الداخل والخارج لمناقشة نتائج البحوث ونشر مكان التجمع، ولكن أيضا للبحث ممتاز تنتشر على نطاق واسع ومعترف بها.
نتمنى لكم الحب الأكاديمية، يمكن للمؤلفين انضمام إلى فريق عملنا.
انضمام إلى فريق الكتاب يمكنك الحصول على
1. قسم من هذه المادة مع اسمك، سوف يقاتل من ألمع النجوم الأكاديمية
2. الإتاوات المربحة
التحريف 3.AI الشركات الشهيرة، والرعاية تذاكر الجمعية، والهدايا التذكارية، الخ، الخ حصرية المحيطة بها.
تاريخ الكتاب الفريق تحتاج:
1. هل تحب الورق الموصى به لغالبية أعضاء الروتاري Yanxishe
2. أوراق القراءة يؤلف
إذا كنت على استعداد للانضمام إلى منظمة العفو الدولية Yanxishe فريق بدوام جزئي من الكتاب من الورق، ويمكننا أن نضيف أخت صغيرة من العملية القناة الصغرى (ID: julylihuaijiang)، وتلاحظ "جزء من أطروحة"
شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ
