دليل

CVPR 2020 | كشف الفيديو من الفائدة في الهدف البصرية

CVPR 2020 | D3Feat: كشف المشتركة التعلم المكثف وتوصيف 3D المحلي

CVPR 2020 | بحث المركزية شبكة الفرق التفاف على الوجه المضادة للالفتوة

في النهاية ما هي العلاقة بين القدرة تقدير كثافة نموذج، والقدرة على توليد تسلسل، وعشرات BLEU

تعلم كيفية إيجاد توازن بين الدولار ومهام محددة للتعلم

CVPR 2020 | كشف الفيديو من الفائدة في الهدف البصرية

أطروحة العنوان: كشف حضر الأهداف البصرية في الفيديو

الكاتب: تشونغ Eunji / وانغ يونغ شين / رويز ناتانييل / Rehg جيمس م.

تاريخ النشر: 2020/03/05

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/13533 من = leiphonecolumn_paperreview0320

أوصت السبب

هذه الورقة هي CVPR استقبال 2020، من أجل حل هذه المشكلة هو الكشف عن موضع اهتمام في شريط الفيديو. على وجه التحديد، والهدف هو تحديد انتباه كل فيديو إطار الجميع، والتعامل بشكل صحيح مع الوضع خارج الإطار. الهيكل الجديد المقترح محاكاة فعالية التفاعل الديناميكي بين المشهد وملامح الرأس، لاستنتاج موضع اهتمام يختلف مع الوقت. وفي الوقت نفسه هذه الورقة يدخل مجموعة بيانات جديدة VideoAttentionTarget، يحتوي المعقدة والديناميكية أنماط السلوك أنظار العالم الحقيقي. التجارب التي أجريت على مجموعات البيانات تشير إلى أن النموذج المقترح يمكن الاستدلال الفيديو من الاهتمام. لمزيد من إثبات فائدة من طريقة، وتوقعت الصحيفة يلفت الانتباه تطبيقها على اثنين من النظرة الاجتماعية المهام الاعتراف السلوك، وتظهر المصنف الناتج هو أفضل بكثير من الطرق الحالية.

CVPR 2020 | D3Feat: كشف المشتركة التعلم المكثف وتوصيف 3D المحلي

عنوان الاطروحة: D3Feat: المشترك التعلم كشفها الكثيفة ووصف الميزات 3D المحلية

الكاتب: باي Xuyang / لوه Zixin / زو لي / فو هونغبو / تشيوان طويل / تاي شيو-لان

تاريخ النشر: 2020/03/06

أوراق تحتوي على وصلة: الشبكي: //paper.yanxishe.com/review/13946 من = leiphonecolumn_paperreview0320؟

أوصت السبب

تلقي هذه الورقة CVPR عام 2020، المعنية بدراسة 3D ميزة كاشف.

وهذه الورقة يكون 3D شبكة التفاف الكاملة عن سحابة نقطة 3D، واقترح على التغلب على نقاط مفتاح 3D نقطة كثافة سحابة استراتيجية اختيار الكامنة، واقتراح مزيدا من الرقابة من A النتائج مطابقة تسترشد في الوقت الحقيقي يتميز في عملية التدريب فقدان كاشف. قد تكون طريقة جديدة كثيفة التنبؤ والكشف عن درجة من كل مميزة نقاط وصف 3D. الطريقة الجديدة لتقييم نتائج أحدث مشاهد داخلية وخارجية في 3DMatch وكيتى مجموعات البيانات، والعروض القدرة تعميم قوي في قواعد البيانات ETH. في التطبيقات العملية، من خلال استخدام ميزة الكشف موثوق بها، وكمية صغيرة من عينة كافية لتحقيق ميزات دقيقة، والمحاذاة السريعة للسحابة نقطة.

CVPR 2020 | بحث المركزية شبكة الفرق التفاف على الوجه لمكافحة الغش

عنوان الاطروحة: تبحث الفرق المركزي الشبكات التلافيف لوجه لمكافحة الغش

الكاتب: يو تسيتونغ / تشاو Chenxu / وانغ Zezheng / تشين يونشياو / سو تشو / لي Xiaobai / تشو فنغ / تشاو قوه يينغ

تاريخ النشر: 2020/03/09

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/13945 من = leiphonecolumn_paperreview0320

أوصت السبب

هذه الورقة هي CVPR استقبال عام 2020، وتعتبر مواجهة قضايا مكافحة الاحتيال.

وتقترح هذه الورقة على مستوى إطار الغش جزء الاختلاف المركزي الأسلوب على أساس الإلتواء من الممكن التقاط بالتفصيل النمط الأصيل عن طريق جمع شدة والمعلومات التدرج. شيدت مع شبكة التلافيف الفرق المركزية ودعا الفرق المركزي الشبكة التلافيف (الفرق الوسطى التلافيف الشبكة، CDCN). مقارنة مع شبكة التفاف البناء الأصلي، ويوفر CDCN قدرات النمذجة أكثر قوة. وبالإضافة إلى ذلك، بعد الاختلاف المركزي فضاء البحث التفاف مصممة خصيصا للبحث عن الهندسة المعمارية العصبية يمكن استخدامها للعثور على هيكل الشبكة أكثر قوة، مع اهتمامها حدة الانصهار معا متعددة النطاق يمكن زيادة تحسين الأداء.

في النهاية ما هي العلاقة بين القدرة تقدير كثافة نموذج، والقدرة على توليد تسلسل، وعشرات BLEU

عنوان الاطروحة: في التناقض بين الكثافة تقدير والجيل تسلسل

الكاتب: لي جيسون / تران داستن / فرات أورهان / تشو Kyunghyun

تاريخ النشر: 2020/02/17

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/13949 من = leiphonecolumn_paperreview0320

أوصت السبب

تقدير الكثافة، وتوليد تسلسل هاتين المهمتين، يظهر العامة إلى أن يكون هناك علاقة. ومع ذلك، وجدت هذه الدراسة الصحيفة أن قدرة تقدير كثافة نموذج، والقدرة على توليد تسلسل، في الواقع، هناك صلات وثيقة بين عشرات BLEU الثلاثة.

إذا على أساس المدخلات س معينة من ذ توقع كثافة توزيع كمهمة تقدير، والترجمة الآلية، والنص إلى كلام تسلسل لتوليد مهمة مثل يمكن اعتبار تقدير الكثافة، ثم كثافة يمكن أن يكون المزيد من التقدير شروط استخدام سجل-احتمالات اختبارات لتقييم النموذج.

ومع ذلك، لدينا هذا الاختبار الجيل تسلسل ونموذج للهدف التصميم يختلف إلى حد ما، ولكن يبدو أن أحدا لم يدرس الفرق بينهما كم. في هذه الورقة، والكتاب مقارنة عدد من التجارب في العلاقة بين مختلف النتائج تقديرات كثافة وعشرات BLEU، وجدت أن العلاقة بين البلدين عدة عوامل خفية المتضررة، مثل سجل-احتمالات وشديدة BLEU ذات الصلة، وخاصة لأسرة من الطراز نفسه (مختلف نموذج الانحدار الذاتي، وهناك معايير مسبقة المتغيرات ضمنية من الطراز نفسه).

بعد القيام بالكثير من ملخص المقارنة، والكتاب يوصي أخيرا، إذا كنت ترغب في الحصول بسرعة معدل توليد تسلسل، يمكن أن تختار لاستخدام بداهة نموذج غير الذاتي الانحدار البسيط مع المتغيرات الخفية، والتعاون في تصميم نموذج.

تعلم كيفية إيجاد توازن بين الدولار ومهام محددة للتعلم

ورقة العنوان: تعلم التوازن: النظرية الافتراضية ميتا التعلم من أجل متوازن ومهام خارج نطاق التوزيع

المؤلف: هاي بيوم لي / Hayeon لي / دونج هيان نا / Saehoon كيم / Minseop بارك / Eunho يانغ / سونغ جو هوانج

تاريخ النشر: 2019/09/26

أوراق تحتوي على وصلة: الشبكي:؟ //Paper.yanxishe.com/review/13948 من = leiphonecolumn_paperreview0320

أوصت السبب

ويأمل الباحثون تعلم آلة لدينا نموذج تعميم أفضل، لا يصلح جدا لمجموعة من المهام المحددة، والبحوث في السنوات الأخيرة، وبالتالي فإن (الفوقية التعلم) التعلم الفوقية هو حار جدا.

ولكن دراسة الفوقية التعلم انخفض في بعض الأحيان إلى روتين ثابت حيث، على سبيل المثال، افترض أن تعدد المهام للتعلم، وعدد العينات في كل يظهر المهمة، وعدد من الفئات هي نفسها، ولذلك سوف يجعل نموذج من كل مهمة للحصول على نفس الكمية من الفوقية المعرفة - ولكن في الممارسة العملية، وعدد العينات من المهام المختلفة، وعدد من الفئات يمكن أن تكون مختلفة، والمحتوى الفوقية المعرفة من المهام المختلفة مختلفة. ولذلك، فإن هذا النهج ليست جيدة.

وبالإضافة إلى ذلك، فإن التوزيع لمعرفة كيفية البيانات الجديد، فمن الممكن أن توزيع البيانات وتوزيع البيانات المستخلصة مختلف تماما، لا توجد وسيلة لتحسين أداء العديد من النموذج الحالي للدراسات التعلم الفوقية لا تعتبر.

من أجل حل هذه المشاكل العملية، وتقترح هذه الورقة نموذجا جديدا للتعلم الفوقية، وسوف نبحث عن توازن بين أمرين، "ميتا - التعلم" و "التعلم من أجل مهام محددة،" لم يعد نفس النموذج السابق العلاج موحدة لجميع الشروط. وقد اظهرت النتائج أن أداء هذه الطريقة أفضل بكثير من جميع طرق التعلم الفوقية السابق.

تلقي هذه الورقة ICLR2020 ورقات عن طريق الفم.

شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ