لمساعدتك على تعلم أفضل الشباب البحوث والمتطورة الأكاديمية التكنولوجيا، AI Yanxishe الثقيلة التي تم إطلاقها اليوم [الورق] جزء، سواء بالنسبة للإشارة الأكاديمية لك كل يوم تتعلم عن اختيار الذكاء الاصطناعي المتطورة. وفيما يلي مجموعة مختارة من المحتوى اليوم -

دليل

• وكر الملاحة بالقصور الذاتي على أساس عمق التعلم: أساليب وأجهزة جمع البيانات والمنطق

• نطاق متعدد المصادر رؤية التكيفية للتصنيف المشاعر

• تحسين أداء التعلم عينة صغيرة من الإشراف من قبل توصيف متعددة النطاق

• البحث عن الحق في استخدام الهندسة المعمارية العصبية في قيمة السهم هي فعالة حقا، يمكن الاعتماد عليها؟

• حصيرة صورة طبيعية عن طريق توجيه الانتباه إلى السياق

وكر الملاحة بالقصور الذاتي على أساس عمق التعلم: أساليب وأجهزة جمع البيانات والمنطق

أطروحة العنوان: مشي على أساس ديب التعلم بالقصور الذاتي الملاحة: طرق، الإدراجات وعلى الجهاز الاستدلال

الكاتب: تشن Changhao / تشاو Peijun / لو كريس شياو شيوان / وانغ وي / ماركهام أندرو / للمثلث نيكي

تاريخ النشر: 2020/01/13

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/8987 من = leiphonecolumn_paperreview0117

أوصت السبب: هذه المحاولات الورق لمزيد من الدراسة عمق البحوث التطبيقية في مجال الملاحة بالقصور الذاتي.

تم نشر وحدة قياس بالقصور الذاتي على نطاق واسع على الجهاز الذكية والروبوت المتحرك. في الإنترنت الناشئة من الأمور، واستخدام البيانات بالقصور الذاتي للحصول على الدعم دقيقة وموثوق بها للمشاة الملاحة هو خدمة هامة. في السنوات الأخيرة، واستخدام الشبكة العصبية معالجة عمق الإدراك والعمل بتنسيق تقدير تدريجيا أصبحت ذات شعبية كبيرة. ومع ذلك، فإن عدم وجود بيانات التدريب والشرح كافية لتقييم نموذج خط الأساس يصبح الحد من هذا التطبيق. مساهمة هذه الورقة هو اقتراح مجموعة بيانات جديد يسمى بالقصور الذاتي أكسفورد اودومتري الإدراجات (OxIOD)، وهذا هو أول الملاحة بالقصور الذاتي للتعلم العميق مجموعات البيانات البحثية في كل تسلسل أن صقل ومعلومات التسمية جيدة. وعلاوة على ذلك، من أجل ضمان المنطق أكثر كفاءة على الحوسبة الحافة، ويقترح هذه الورقة أيضا إطارا خفيفة الوزن الجديد والتعلم وإعادة بناء مسارات للمشاة من البيانات IMU الأصلي. تبين التجارب أن الطريقة المقترحة يسمح مجموعة بيانات ومعلومات دقيقة عن المشاة الملاحة بالقصور الذاتي على الأجهزة محدودة الموارد.

نطاق متعدد المصادر رؤية التكيفية للتصنيف المشاعر

عنوان الاطروحة: متعدد مصدر التكيف المجال للثقة تصنيف البصرية

الكاتب: لين شوانغ / تشاو سي تشنغ / منغ لي / شوا تات-سنغ

تاريخ النشر: 2020/01/12

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/8988 من = leiphonecolumn_paperreview0117

هذه الورقة النظر في مشكلة تصنيف الشعور البصرية.

التكيف أساليب بصرية مهمة تصنيف المشاعر الموجودة عادة ما يكون لمشهد من مصدر واحد. في هذا السيناريو، بعد الانتهاء من نموذج التعلم من تميز تماما مصدر جيد من البيانات الميدانية، نقل فقط إلى البيانات الميدانية غير المستهدفة أكثر استرخاء ملحوظ أو المسمى. في الممارسة العملية، في مجال البيانات من مصدر واحد وعادة قدرة محدودة، فمن الصعب تغطية جميع الميزات الموجودة في المنطقة المستهدفة. لحل هذه المشكلة، فإن هذه الورقة يعرض استدعاء أسلوب جديد متعدد التكيف العواطف متعدد المصادر ولدت ضد المجال المصدر الشبكة، لمعالجة البصرية تصنيف الشعور. من أجل معالجة البيانات من مصادر متعددة المجالات، والنموذج الجديد بحلول نهاية دورة ضد نفس الدراسة، وتعلم كيفية العثور على الفضاء المحتملين العاطفي موحدة، والبيانات من المصدر والهدف المجالات تقاسم توزيع مماثل في الفضاء. تبين التجارب أنه في قواعد البيانات المؤشر أربعة في مهمة تصنيف المشاعر، وكان النموذج الجديد المقدمة في هذه الورقة أفضل بكثير من النموذج الأفضل الحالي.

تحسين أداء التعلم عينة صغيرة من الإشراف من قبل توصيف متعددة النطاق

عنوان الاطروحة: قلة شوت التعلم مع متعدد نطاق المراقبة الذاتية

الكاتب: تشانغ هونغ قوانغ / عربة فيليب H. S. / Koniusz بيوتر

تاريخ النشر: 2020/01/06

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/9112 من = leiphonecolumn_paperreview0117

أوصت السبب

منذ عمق التعلم شعبية، يتطلب الكثير من البيانات، وكثيرا ما اتهمت هذه الميزة، ولكن لوحظ أن الذكاء البشري يتطلب سوى بضع أو حتى عينة يمكنك ان تتعلم مهمة أو مفهوم - وهذا هو عينة الدراسة الصغيرة، وهناك العديد من الباحثين القيام الجهود المبذولة في هذا الاتجاه. في الآونة الأخيرة، "تجميع الدرجة الثانية" النهج (الدرجة الثانية تجميع) يعمل جيدا في نتائج الدراسة عينة صغيرة، وذلك بسبب عملية البلمرة لا تحتاج إلى إجراء تغييرات على شبكة CNN يمكن التعامل مع مجموعة متنوعة من صورة القرار، في حين أن ممثل للعثور على الخصائص المشتركة.

ومع ذلك، وتعلم متى تستخدم كل دقة وضوح الصورة ليس فقط أفضل طريقة واحدة (حتى لو كان قرار مجموعة البيانات بالكامل من جميع الصور هي كل مختلفة)، وذلك لأن مقارنة محتوى كل صورة لحجم سمك الصورة بأكملها ليست ثابتة، من حقيقة أن التأثير المشترك لمحتوى نفسها وصورة التسمية، على سبيل المثال، تصنيف مشترك من فئات الأشياء أكثر اعتمادا على المظهر العام للشكل، والحبيبات غرامة تصنيف الكائن تعتمد أكثر على نمط صورة الملمس المحلي. هكذا أيضا، وdeblurring صورة، القرار السوبر، وأدخلت المهام الاعتراف الكائن مفهوم التمثيل متعددة الحجم، للتعامل مع أفضل من مختلف تصنيف حجم الجسيمات.

وكان واضعو هذه الدراسة في محاولة لتقديم دراسة عينة توصيف متعددة النطاقات الصغيرة. الصعوبة الرئيسية ليتم التغلب عليها لتجنب توصيف متعددة النطاق باستخدام الطرق القياسية تصبح معقدة للغاية. نهجها هو تصميم نوع جديد من شبكة متعددة النطاق من العلاقات على أساس من الدرجة الثانية تجمع على الممتلكات، واستخدمت الدراسة عينة العلاقة الصورة التنبؤ الصغيرة. صمم الكتاب أيضا مجموعة من الأساليب لتحسين أداء النموذج. في نهاية المطاف، ويتعلمون في بضع مجموعات البيانات عينة صغيرة يتم تحديث، على أفضل النتائج.

البحث عن الحق في استخدام الهندسة المعمارية العصبية في قيمة السهم هي فعالة حقا، يمكن الاعتماد عليها؟

عنوان الاطروحة: سبر اغوار الوزن مشاركة في العصبية العمارة البحث

الكاتب: تشانغ Yuge / لين Zejun / جيانغ Junyang / تشانغ Quanlu / وانغ يوجينج / شيويه هوى / تشانغ تشن / يانغ يامينج

تاريخ النشر: 2020/01/06

أوراق تحتوي على وصلة: الشبكي: //paper.yanxishe.com/review/9111 من = leiphonecolumn_paperreview0117؟

أوصت السبب

بحث هندسة الشبكات العصبية (NAS) هو أن نتعلم عمق التشغيل الآلي، وسيلة جيدة للحصول على أفضل نموذج على مهمة محددة. ولكن المشكلة هي أيضا واضحا هيكل نموذج NAS يتطلب تحديثا متكررة، كل تحديث للهيكل أيضا بحاجة للذهاب من خلال التدريب لمعرفة كيفية التصرف، وذلك من نقطة الصفر NAS المستهلكة للطاقة والوقت.

مؤخرا بعض الدراسات مع تقاسم الوزن بطريقة، وتوفير الوقت على تقييم الأداء الهيكلي، على وجه التحديد، فإن حصة الوزن هو الحصول على ملكية قيمة شبكة واسعة أولا، ثم لتبسيط في شبكة واسعة، استنادا إلى شبكة صغيرة، مباشرة قيمة الوزن المقابلة. ولكن هذا النهج ليس نتيجة لإثبات النظرية الصارمة، يؤثر على الاستخدام الفعلي لم تتم دراسته جيدا.

هذه الورقة الأوزان على الطريقة الحالية لتقاسم دراسة تجريبية تفصيلا، وجد الباحثون أن 1، وهناك فرق كبير في الأداء بين المصدر نموذج مختلف قليلا؛ 2، حتى لو كان الطفل لديه أداء بين الشبكات تختلف كثيرا عن تدريب الشبكات الكبيرة هي أيضا ذات قيمة كبيرة؛ 3، التداخل بين نماذج مختلفة دون سبب مهم من الفارق في الأداء؛ 4، ومناسبة لخفض درجة الأوزان المشتركة يمكن أن تقلل بشكل فعال تقلب الأداء، وتحسين الأداء

حصيرة صورة طبيعية عن طريق توجيه الانتباه إلى السياق

أطروحة العنوان: صورة طبيعية حصيرة عبر الإرشادية السياقية الاهتمام

الكاتب: لي ياوي / لو هونغ تاو

تاريخ النشر: 2020/01/13

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/8989 من = leiphonecolumn_paperreview0117

أوصت السبب

هذه الورقة النظر في مسألة حصيرة صورة الطبيعي.

التقدم المحرز كبيرا في الصور الطبيعية القفل (صورة الطبيعي حصيرة) جوانب طريقة عمق التعلم. مستوحاة من نجاح وسائل وآليات سياق اهتمام على أساس النسب، وقد وضعت هذه الورقة طريقة جديدة لوحدة عناية سياق المبادئ التوجيهية الاستخدام النهائي. وسيستند إطار المبادئ التوجيهية على تعلم الاهتمام وحدة لمستوى منخفض ذات الصلة نشر المعلومات المعلومات مبهمة العليا مباشرة في نطاق عالمي. ويجوز أن تستند الطريقة الجديدة على تيار ميزة الغنية لطرق تقارب تقليد، في حين تستخدم عمق علمت الشبكة العصبية. وقد اظهرت النتائج على مجموعة اختبار ومجموعات البيانات القياسي-التركيب 1K Alphamatting.com أن الطريقة الجديدة قبل أحدث الطريقة المقترحة في هذه الورقة هو الافضل من حيث حصيرة صورة الطبيعي.

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.

فريق من 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 مؤلفي ورقة، ويمكنك إضافة القليل من شقيقة العمليات الصغرى، وتلاحظ "جزء من أطروحة"

شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ