مراجعة العلوم والتكنولوجيا منظمة العفو الدولية : عقد المؤتمر الأكاديمي الأعلى في مجال معالجة معلومات الوسائط المتعددة ACM MM 2018 (ACM International Conference on Multimedia) في سيول ، كوريا الجنوبية من 22 إلى 26 أكتوبر 2018.

تم تقديم ما مجموعه 757 ورقة في هذا المؤتمر ، وحصل على 209 ورقة ، بمعدل تلقي 27.61 ؛ منها 64 ورقة تقرير عن طريق الفم ، بنسبة 8.45 . المجالات الأكثر تقديمًا هي "فهم الالتهاب والرؤية" ، "فهم معالجة الوسائط المتعددة" ، "التفاهم والموصف" ، "البحث والتوصية التفاعلية والتوصية" ، وعدد التقديمات هو 210 ، 167 ، على التوالي ، على التوالي " مقالات ، 86 مقالة ، 79 مقالة.

قائمة من الأوراق الحائز على جائزة

بعد ظهر يوم 24 أكتوبر ، تم الإعلان عن قائمة فوز أفضل أطروحة في موقع المؤتمر

أفضل الأوراق

ما وراء الرواية الوصف: جيل الشعر من الصور عن طريق التدريب المتعدد الأدوات

• ما وراء السرد الوصف: من خلال التدريب المتعدد ، قم بتوليد الشعر من الصور

• عنوان الأطروحة: https://dl.acm.org/authorize؟ n660819

• انظر النص الكامل باللغة الصينية في الورقة أدناه

أفضل مقالة ورقة طالب

فهم همهز في المشاهد المزدحمة: التعلم العدواني المتداخل العميق ومعيار جديد لحلية متعددة الإنسان

• فهم الناس في مشاهد كثيفة: تعلم المواجهة العميق ومرجع تحليل متعدد الشخصيات جديد

• عنوان الأطروحة: https://dl.acm.org/authorize؟ n660810

أفضل ورقة تجريبية

الإجرة: حركة الرقص في الوقت الفعلي تتجمع مع الأغنية

• Facepance: قم بتوليد الموسيقى من الوقت الحقيقي من Action Dance

• عنوان الأطروحة: https://dl.acm.org/authorize؟ n660964

تعرف على AR-Bot: الاجتماع في أي مكان وفي أي وقت مع روبوت AR المكاني المنقول

• تعال وانظر AR-BOT: تعرف على روبوتات AR التي يمكن أن تتحرك في مساحات مختلفة وفي أي وقت وفي أي مكان

• عنوان الأطروحة: https://dl.acm.org/authorize؟ n660976

أفضل أوراق مسابقة البرمجيات مفتوحة المصدر مع مقالتين

حية: بيئة افتراضية للتعلم العميق البصري

• حية: بيئة افتراضية للتعلم العميق البصري

• عنوان الأطروحة: https://dl.acm.org/authorize؟ n660990

نظام برمجة موزعة للأغراض العامة باستخدام تدفقات موازية للبيانات

• يصبح التوزيع العام الموزع للبيانات في تدفقات متوازية نظامًا

• عنوان الأطروحة: https://dl.acm.org/authorize؟ n660991

ACM Tomm Journal Best Paper

التعلم من مجموعة الذكاء: ميزة التعلم صورة وعلامات usil

• التعلم من الذكاء الجماعي: استخدم الصور الاجتماعية وخصائص العلامات

• عنوان الأطروحة: https://dl.acm.org/citation.cfm؟ id = 2978656

أفضل قراءة نصية نصية كاملة

ACM MM 2018 أفضل الأوراق "ما وراء الرواية الوصف: يتم الانتهاء من شعر توليد الصور من خلال التدريب متعدد القوات" (ما وراء الوصف السرد: من خلال التدريب متعدد الأدوات ، وتوليد الشعر من الصورة) من قبل جامعة كيوتو ومعهد مايكروسوفت في آسيا. فيما يلي النص الكامل للنسخة الصينية من الورقة المقدمة من معهد Microsoft.

ملخص

اجتذبت التكنولوجيا التي تنشئ اللغة الطبيعية تلقائيًا استنادًا إلى الصورة انتباهًا واسعًا. في هذه المقالة ، سنقوم بزيادة دراسة كيفية توليد اللغة الشعرية من الصورة وأداء الخلق الشعري التلقائي. يتضمن هذا العمل عددًا من التحديات ، بما في ذلك اكتشاف أدلة الشعر في الصورة (على سبيل المثال ، الأمل الواردة باللون الأخضر) ، وتوليد الشعر -ليس فقط لتلبية العلاقة مع الصورة ، ولكن أيضًا تلبية شعر مستوى اللغة . من أجل حل المشكلات المذكورة أعلاه ، نقوم بتقسيم عمل توليد الشعر إلى اثنين من المهام الفرعية المتعددة المتواجدين من خلال التدرجات الاستراتيجية ، مما يضمن أن الارتباط المتقاطع وأسلوب اللغة الشعرية. من أجل تحسين أدلة الشعر من الصورة ، نقترح تعلم التضمين الشعري البصري العميق. من بينها ، يمكن للجهاز تعلم العرض الشعري للعناصر والعواطف والمشاهد في الصورة. تقدم هذه المقالة أيضًا نوعين من شبكات الحكم التي توجه الشعر ، بما في ذلك التمييز متعدد الأسلوب وتمييز النمط الشعري. من أجل تسهيل البحث ، قمنا بجمع مجموعتين من بيانات الشعر من خلال التعليقات التوضيحية الاصطناعية. لديهم الخصائص التالية: 1) الأول هو زوج من مجموعات البيانات "الصورة" (إجمالي 8،292 زوجًا) ، و 2) حتى الآن الأكبر مجموعة بيانات المواطنة الشعرية العامة (ما مجموعه 92265 قصائد مختلفة). استخدمنا نموذجنا الخاص لإنشاء 8000 صورة وإجراء تجارب كبيرة على نطاق واسع ، تم اختيار 1500 صورة بشكل عشوائي للتقييم. يوضح التقييم الموضوعي والتقييم الذاتي أن هذه الطريقة تولد طرق الشعر مقارنة بالصورة الأكثر تقدماً حاليًا. لقد قمنا بدعوة 500 موضوع بشري لإجراء اختبار تورينج ، منهم 30 من المحترفين من المهنيين الشعريين. أثبتت نتائج الاختبار فعالية طريقتنا.

1 المقدمة

في الآونة الأخيرة ، اجتذب البحث الذي يتضمن الرؤية واللغة اهتمامًا واسع النطاق. وقد أظهر عدد الأبحاث على أوصاف الصور (مثل تكنولوجيا عنوان الصورة وتوليد الصور) نموًا متفجرًا. جوهر تهدف الدراسة الموصوفة بواسطة وصف الصورة إلى إنشاء جمل تستخدم اللغة البشرية لوصف الحقائق القائمة على الصور. في هذه المقالة ، سنذهب إلى أبعد من ذلك ونأمل في إكمال عمل أكثر شهرة: الغرض من إنشاء الشعر وتوليد اللغة الشعرية وفقًا للصورة. أثار هذا العمل اهتمامًا كبيرًا بمجتمع البحث والصناعة.

الشكل 1: مثال وصفه وشعر كتبه البشر لنفس الصورة. يمكننا أن نرى أن هناك اختلافات واضحة في الكلمات بنفس اللون في هذين النموذجين. بالمقارنة مع الحقائق في الصورة ، فإن الشعر يميل أكثر لالتقاط المعنى ورموز الشعر للكائنات والمشاهد والمشاعر في الصورة (على سبيل المثال ، Cavaliers و Falcon ، الصيد والأكل ، وإلى المحطة).

في مجال معالجة اللغة الطبيعية ، تمت دراسة مشكلة توليد الشعر. على سبيل المثال ، في الوسط ، يركز المؤلف على جودة الأسلوب والإيقاع. في الصين ، هذه المهام لديها المزيد من الشعر درس وفقًا للمواضيع. في هذه الصناعة ، اقترح Facebook استخدام الشبكات العصبية لتوليد قصائد القافية الإنجليزية. قامت Microsoft بتطوير نظام يسمى "Xiaobing". واحدة من أهم الوظائف هي توليد الشعر. ومع ذلك ، من النهاية إلى طريقة توليد الشعر من الصور لا يزال موضوعًا جديدًا ، يواجه تحديات هائلة.

يتمثل محور تكنولوجيا عنوان الصورة وتوليد الصور في إنشاء جمل وصفية حول الصور ، وتوليد اللغة الشعرية يمثل مشكلة أكثر تحديا. العرض البصري وتحفيز الصورة ويساعد على توليد رموز الشعر بشكل أفضل ، مسافة أبعد. على سبيل المثال ، يمكن أن يستخدم "الأشخاص" في وصف الصورة "أشعة الشمس الساطعة" و "الذراع المفتوح" لترمز إلى "الأمل" ، أو استخدام خلفية "الكرسي الفارغ" و "الظلام" لترمز إلى "الوحدة". الشكل 1. مثال محدد يوضح الفرق بين نفس الصورة وشعرها.

من أجل توليد الشعر من صورة ما ، نحتاج بشكل خاص إلى مواجهة التحديات الثلاثة التالية: أولاً ، مقارنةً بشعر المولد وفقًا للموضوع ، فهذه قضية عرضية. تتمثل إحدى الطرق البديهية لتوليد الشعر من الصور في تحسين الكلمات الرئيسية أو النص التفسير من الصورة ، ثم استخدام هذه الكلمات الرئيسية أو النص الشرح كبذور لتوليد الشعر ، تمامًا مثل توليد الشعر من السمة. ومع ذلك ، فإن الكلمات الرئيسية أو النص التفسير ستفقد العديد من معلومات الصورة ، ناهيك عن أدلة الشعر المهمة للغاية لتوليد الشعر. ثانياً ، مقارنة بتكنولوجيا عنوان الصورة وتوليد الصور من المقالات ، فإن الشعر من توليد الصور هو وظيفة أكثر ذاتية ، مما يعني أن نفس الصورة يمكن أن تتوافق مع قصائد متعددة في جوانب مختلفة ، وتكنولوجيا/صورة عنوان الصورة تولد مقالًا أكثر يصف الأرض الحقائق في الصورة وتوليد جمل مماثلة. ثالثًا ، يختلف شكل وأسلوب القصيدة عن الجملة السردية. في هذه الدراسة ، نحن قلقون بشكل أساسي بشأن شكل مفتوح من الشعر الخالي من الشعر. على الرغم من أننا لا نحتاج إلى إيقاع أو إيقاع أو غيرها من تقنيات الشعر التقليدية ، إلا أنه لا يزال هناك بنية شعرية ولغة شعرية. في هذه الدراسة ، نحدد هذه الجودة بأنها شعرية. على سبيل المثال ، يكون طول الشعر محدودًا بشكل عام ؛ مقارنةً بأوصاف الصورة ، يفضل الشعر عمومًا كلمات محددة ؛ يجب أن تكون الجمل في الشعر مرتبطة بنفس السمة وتظل متسقة.

من أجل مواجهة التحديات المذكورة أعلاه ، قمنا بجمع مجموعتين من بيانات الشعر المشروحة من قبل البشر ، ودرسنا إنشاء الشعر من خلال استرجاع متكامل وتوليد التكنولوجيا في نظام واحد. من أجل دراسة أفضل أدلة الشعر لتوليد الصور من توليد الشعر ، درسنا أولاً نموذج تضمين الشعر البصري العميق باستخدام خصائص الصورة CNN ، ومجموعة بيانات الشعر متعددة الوضع التي تحتوي خصائص ناقلات الفكر في جمع الشعر. ثم استخدمنا هذا النموذج المدمج لاسترداد قصائد ذات صلة ومختلفة من مكتبة شعرية واحدة أكبر صورة (أي "مجموعة شعر النموذج الفردي"). تشكل هذه الصور التي تم استرجاعها ، إلى جانب مجموعة الشعر متعدد الأوساط ، زوجًا من مجموعات البيانات الموسعة (أي "مجموعة الشعر متعددة الأوضاع (EX)"). نقترح أيضًا استخدام أحدث تقنية التعلم التسلسلية لتدريب نموذج توليد الشعر النهائي حول مجموعات بيانات الشعر متعددة الأسلوب (EX). تضمن هذه الهندسة المعمارية أنه يمكننا اكتشاف وتشكيل عدد كبير من القرائن الشعرية من الصور الممتدة ، وهو أمر بالغ الأهمية لتوليد الشعر.

من أجل تجنب مشكلة انحراف التعرض الناجم عن التسلسل الطويل (جميع خطوط الشعر معًا) ، ووظيفة الخسارة المحددة غير المرضية لتقييم مشكلة توليد الشعر بشكل كمي ، فإننا نقترح استخدام قصائد متدربة متعددة المونتر. نستخدم شبكتين للحكم لتوفير مكافآت للعلاقة بين توليد الشعر والصور والشعر المعطى التي تولد الشعر. لقد جربنا قصائد متعددة الوسائط ، قصائد الوضع المفردة ، وقصائد الأزياء المتعددة (EX) ، وشعر تم إنشاؤه وفقًا للصور ، ثم تقييم الشعر المولد بطريقة تلقائية واصطناعية. نحدد معايير التقييم التلقائي المتعلقة بالارتباط والجدة وتفسير الاتساق ، وإجراء أبحاث المستخدم حول الارتباط والتماسك والخيال لمقارنة الشعر الذي تم إنشاؤه مع الشعر الذي تم إنشاؤه من خلال طريقة خط الأساس. نتائج هذه الدراسة على النحو التالي:

• نقترح توليد الشعر من الصور بطريقة تلقائية. بقدر ما نعلم ، هذا هو الجهد الأول لمحاولة توليد مشكلة شعر خالية من اللغة الإنجليزية في الإطار العام. إنه يمكّن الجهاز من القدرة على التعامل مع البشر في العمل المعرفي.

• نحن نجمع بين النموذج المدمج الشعري البصري العميق مع مولدات التعلم المدمجة القائمة على RNN. قدم اثنان منهم مكافآت للارتباط الشامل والشعر من خلال تدريب على المواجهة المتعددة.

• قمنا بجمع أول مجموعة بيانات لقياس الصور ، وأكبر مجموعة بيانات Corpus Corpus العامة. من خلال تطبيق معايير التقييم التلقائية واليدوية (بما في ذلك اختبارات Turing التي أجراها أكثر من 500 شخص بشري) ، أثبت عدد كبير من التجارب أن طريقتنا أكثر فعالية من عدة طرق أساسية. من أجل الترويج بشكل أفضل للبحث عن شعر توليد الصور ، سنعلن عن مجموعات البيانات هذه ليست بعيدة.

2. العمل ذات الصلة

2.1 توليد الشعر

تشمل طرق توليد الشعر التقليدية القوالب والطرق القائمة على القواعد ، وتأثير التأثير في ظل القيود ، ونماذج الترجمة الآلية الإحصائية. في السنوات الأخيرة ، من خلال التعلم العميق ، دخلت الأبحاث حول تقنية توليد الشعر إلى مرحلة جديدة. تستخدم الشبكة العصبية العودية على نطاق واسع لتوليد الشعر (من الصعب على القراء التمييز بين ما إذا كانت هذه القصائد يتم إنشاؤها بواسطة الآلات أو الشعراء التي تم إنشاؤها). ركز توليد الشعر السابق بشكل أساسي على أسلوب وإيقاع الشعر ، وأدخلت الأبحاث الحديثة موضوعات كحالة لتوليد الشعر. بالنسبة لقصيدة ، لا يزال الموضوع هو المفهوم التجريدي لعدم وجود مشهد محدد. يتم إنشاء العديد من القصائد من قبل الشعراء في مشهد معين ومشاهدة بعض المناظر الطبيعية المحددة. إنها مستوحاة من هذه الحقيقة. لدينا خطوة أوثق ونحاول حل مشكلة توليد الشعر من المشاهد المرئية. بالمقارنة مع الأبحاث السابقة ، يواجه عملنا المزيد من التحديات ، وخاصة في النظر في القضايا المتعددة الوسائط.

2.2 وصف الصورة

تم اعتبار تقنية عنوان الصورة في الأصل مشكلة استرجاع لصورة معينة للبحث عن وصف النص من مجموعة البيانات ، لذلك لا يمكن أن توفر أوصافًا دقيقة ومناسبة لجميع الصور. من أجل حل هذه المشكلة ، يقترح شخص ما استخدام نماذج ملء النماذج الشبكة العصبية (CNN) ونماذج الشبكة العصبية العودية (RNN) لتوليد قابلية القراءة لتحقيق المستوى البشري. في الآونة الأخيرة ، يتم استخدام توليد شبكة المواجهة (GAN) لإنشاء نص توضيحي بناءً على مشكلات مختلفة. على غرار تكنولوجيا عنوان الصورة ، فإن توليد الصور للمقال له تطور مماثل. تركز الأبحاث الحديثة حول توليد الصور القصيرة بشكل أساسي على الكشف الإقليمي والبنية الهرمية لتوليد الجمل. ومع ذلك ، كما نتحدث ، يتم وصف الجملة الوصفية لتكنولوجيا عنوان الصورة وتوليد الصور لإنشاء بيان وصفي عن حقائق الصورة ، ومعالجة الجيل الشعري هي شكل لغة عالية المستوى يتطلب قيودًا شعرية ولغوية.

3 طرق

في هذه الدراسة ، هدفنا هو توليد الشعر على أساس الصور ، بحيث يرتبط الشعر الذي تم إنشاؤه بصورة الإدخال ، ويفي بمتطلبات الشعرية. تحقيقًا لهذه الغاية ، نقوم بتحويل المشكلة إلى عملية تعليمية متعددة الحدود ، وزيادة تحسين التدرج الاستراتيجي. يستخدم نموذج توليد CNN-RNN كهيئة ذكية. تقوم معلمات الهيئة الذكية بصياغة سياسة ، والتي ستحدد كلمات هذه السياسة التي سيتم اختيارها كإجراءات. عندما يختار الجسم الذكي جميع الكلمات في قصيدة ، فإنه يوفر مكافآت. نحدد نوعين من شبكات الحكم لتحديد ما إذا كان الشعر الذي تم إنشاؤه يطابق صورة الإدخال ، وما إذا كان الشعر المولد شاعريًا ، ويوفر مكافآت. الهدف من نموذج توليد الشعر لدينا هو إنشاء سلسلة من الكلمات لصورة لزيادة المكافأة النهائية للتوقعات. بالنسبة للعديد من المهام التي لا يمكن استخدامها ، فقد ثبت أن التدرج الإستراتيجي هذا فعال للغاية.

الشكل 2: استخدم تدريب مواجهة متعددة لأداء بنية الشعر. نستخدم أولاً مجموعة بيانات الصور (مجموعة الشعر متعددة الأوضاع)-التقييم إلى (أ) لتدريب النماذج المدمجة الشعرية المرئية العميقة (E) في مجموعة بيانات الصور (مجموعة شعر متعددة الأوضاع). تحليل الكلمات (أدوات NLP في جامعة ستانفورد) تستخرج رموز الشعر (مثل العناصر والمشاهد والعواطف) من الشعر ، وميزات الصور (ب) هي المزيد من خصائص الشعر التي تم الحصول عليها عن طريق CNN الدقيق باستخدام CNN المستخرج. يتم استخراج خصائص جمل الشعر (D) من نموذج Skip-Sheorge (C) المدربة من قبل أكبر مكتبة شعر عامة (مجموعة شعر أحادية الوضع). يتم تدريب مولد البيانات المستند إلى RNN (F) كرجل سني جهاز تحليل الكلمات يستخرج الكلمات من الشعر.

كما هو مبين في الشكل 2 ، تحتوي البنية على عدة أجزاء: (1) النموذج المدمج الشعري البصري (هـ) يستخدم لتعلم الاقتران العميق للعرض الشعري للصورة (هـ) ، و (2) التحسين المتعدد المقيمة التدرج الإستراتيجية. تعتمد شبكتان التمييزان (G و H) على RNN كهيئة ذكية لتوفير مكافآت للتدرج الاستراتيجي.

3.1 شاعري بصري مضمن في اقتران عميق

الهدف من نموذج تضمين الشعر البصري هو تعلم المساحة المضمنة. في هذا الفضاء ، يمكن أن تكون أوضاع مختلفة (مثل الصور والبيانات) رسم الخرائط. نستخدم طريقة مشابهة للمشكلة التقنية لعنوان الصورة. على افتراض أن زوجًا من الصور والشعر يشتركان في نفس الدلالات الشعرية ، مما يجعل المساحة المضمنة يمكن تعلمها. من خلال تضمين مساحة الميزة نفسها من الصورة والشعر ، يمكننا حساب العلاقة بينهما مباشرة باستخدام قصيدة وناقل شعر مقدمة من الصورة. بالإضافة إلى ذلك ، يمكننا زيادة استخدام الخصائص المضمنة لتهيئة تحسين أدلة الشعر في توليد الشعر.

2CNNv1 (v2)(v3)CNNCNN1SCNNDNN = D 3vv RN

v1v2v3xK

WvRKxN,bvRKskip-thoughtMtRMCombine-skipskip-thought

WtRKxMbtRK

mkxxk-

3.2

CNN-RNN

CNNsRNN3.1 y = y1:TY*T < BOS > < EOS > Y*

r(y1:t)tR(y1:T)R(yk:T) =

جوهرy1:(t-1)p(yt|y1:(t-1)) tyt p

J()

p(yt| y1:(t-1)ytt1 T b

3.3

12

yxDm (x, y)Dm softmax

WxbxWcbcWmbm Cm GRU11x, yCm(c|x, y)c {}

1DpDp

Dp

yGRUsoftmax

Cp = softmax(Wp GRU(y) + bp), (12)

WpbpcCp(c|y)c{}

yxDmDp

R(y|) = Cm(c = paired|x, y) + (1 - )Cp(c = poetic|y). (13)

3.4

DmDpDmDp

1 VPE

4 تجارب

4.1

,

1VPE-EX1 3 من أجل الترويج بشكل أفضل للبحث عن شعر توليد الصور ، سنعلن عن مجموعات البيانات هذه ليست بعيدة.

Flickr34,847--8,292

Poetry Foundation PoetrySoup best-poem.netpoets.org103

4.2

- SeqGAN EX

-1CNN:CNN,VGG-16CNN-RNN

-3CNNs:CNNVGG-16CNN-RNN

SeqGAN:CNN-RNN

1010

GANI2P-GANI2P-GAN w/oI2P-GAN w/ DmI2P-GAN w/ DpI2P-GAN

4.3

BLEU

BLEU(BLEU)

بدعة.DpEX -2-3N-gramEXn-gram2,000n-gramsn-grams

علاقه مترابطه.

شاملة.aai

BLEUBLEU- 1BLEU-2BLEU-3-2-3

4.4

AMT

10-10

20-10

3

100030

4.5

CNND = 4,096-ImageNetVGG-16 ,Place205-VGGNet

328604125M = 2,048-1,024skip-thought0.2127 5mkxk)0.10.9AA = 0.8

4.6

4

VPEVPE w/o FTVPEVPE w/ FT20-100105

2 0-10 0 - 10 -F(2, 9) = 130.58,p < 1e - 10

3CNNCNNCNNCNN-RNNSeqGANVPEVPEI2P-GAN w/ DmBLEUn-gramsDpI2P-GAN w/ DmDpI2P-GANBLEU

445

5 I2P-GAN

3BLEU 14 %

4RelCol Imag 0-10 0-10-

5/ ATM

AMT54810.91515206005AMT

5. الخلاصة

RNN-

المراجع

T.-H. Chen, Y.-H. Liao, C.-Y. Chuang, W.-T. Hsu, J. Fu, M. Sun..ICCV, 2017.

X. Chen C. Lawrence Zitnick..In CVPR, 2422-2431, 2015.

J. Chung, C. Gulcehre, K. Cho, Y. Bengio..NIPS, 2014.

H. Fang, S. Gupta, F. Iandola, R. K. Srivastava, L. Deng, P. Dollar, J. Gao, X. He, M.Mitchell, J. C. Platt,..In CVPR, 1473-1482, 2015.

A. Farhadi, M. Hejrati, M. A. Sadeghi, P. Young,Rashtchian, J. Hockenmaier, D. Forsyth..In CVPR,15-29, 2010.

A. Frome, G. S. Corrado, J. Shlens, S. Bengio, J. Dean, T. Mikolov,..In NIPS, 2121-2129, 2013.

M. Ghazvininejad, X. Shi, Y. Choi, K. Knight..In NIPS, 1183,1191,2016.

M. Ghazvininejad, X. Shi, J. Priyadarshi, K. Knight.Hafez.ACL, 4348, 2017.

I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu,Warde-Farley, S. Ozair, A. Courville,Y. Ben- gio..In NIPS, 2672-2680, 2014.

J. He, M. Zhou, L. Jiang..In AAAI,2012.

J. Hopkins D. Kiela..In ACL, 1, 168-178,2017.

L. Jiang M. Zhou..In COLING, 377-384, 2008.

A. Karpathy, A. Joulin, F. F. F. Li..In NIPS, 1889-1897, 2014.

R. Kiros, R. Salakhutdinov, R. S. Zemel..arXiv preprint arXiv:1411.2539, 2014.

R. Kiros, Y. Zhu, R. R. Salakhutdinov, R. Zemel, R. Urtasun, A. Torralba, S.Fidler.Skip-thought.In NIPS, 3294-3302, 2015.

J. Krause, J. Johnson, R. Krishna, L. Fei-Fei..CVPR, 2017.

G. Kulkarni, V. Premraj, S. Dhar, S. Li, Y. Choi, A. C. Berg, T. L. Berg..In CVPR, 2011.

Y. Liu, J. Fu, T. Mei, C. W. Chen..In AAAI, 2017.

H. M. Manurung. مولد الرسم البياني لنص نمط الإيقاع.

H. Oliveira. التوليد التلقائي من الشعر: مراجعة. Universidade de Coimbra ، 2009.

H. G. Oliveira.PoetryMe: منصات متعددة الوظائف التي تم إنشاؤها بواسطة الشعر. الحوسبة الابتكارية ، الابتكار المفاهيم ، والذكاء العام ، 1:21 ، 2012.

K. Papineni ، S. Roukos ، T. Ward ، and W.-J. Zhu.Bleu: طريقة للتقييم التلقائي للترجمة الآلية.

C. C. Park و G. Kim. استخدم سلسلة من الجمل الطبيعية للتعبير عن دفق الصور. في NIPS ، ص. 73-81 ، 2015.

S. J. Rennie ، E. Marchert ، Y. Mroueh ، J. Ross ، and V. Goel. Self -Critical Sequence Training. Arxivprprint Arxiv: 1612.00563 ، 2016.

O. Russakovsky ، J. Deng ، H. Su ، J. Krause ، S. Satheesh ، S. Ma ، Z. Huang ، A. Karpathy ، A.Khosla ، M. Bernstein ، إلخ. 211- 252،2015.

K. Simonyan و A. Zisserman. Davidment of Grage -scency التعرف على الصور الشبكات العصبية. Arxiv preprint Arxiv: 1409.1556 ، 2014.

أو.

J. Wang ، J. Fu ، Y. Xu ، T. Mei. Super Remote Item التعرف: استخدم الصفات العميقة والتحليل العاطفي للمربحة الشبكة العصبية. في IJ-CAI ، الصفحات 3484-3490 ، 2016.

L. Wang ، S. Guo ، W. Huang ، and Y. Qiao. المشهد هو نموذج آخر 205-vgnet. Arxiv preprint Arxiv: 1508.01667 ، 2015.

R. J. Williams. خوارزمية تتبع التدرج الإحصائي البسيط لربط التعلم المحسن. التعلم الآلي ، 8 (3-4): 229-256 ، 1992.

Z. Xu ، B. Liu ، B. Wang ، S. Chengjie ، X. Wang ، Z. Wang ، and C. Qi.

R. Yan ، H. Jiang ، M. Lapata ، S.-D. Lin ، X. .

X. Yi ، R. Li ، and M. Sun. استخدم RNN Decoder-Decoder لتوليد الشعر الكلاسيكي الصيني. اللغويات الصينية الحوسبة ومعالجة اللغة الطبيعية استنادًا إلى البيانات الكبيرة المسمى بشكل طبيعي ، الصفحات 211-223.Springer ، 2017.

Q. You ، H. Jin ، Z. Wang ، C. Fang ، and J. Luo.

L. Yu ، W. Zhang ، J. Wang ، and Y. Yu.Seqgan: تسلسل التدرج الاستراتيجي يولد شبكة مواجهة. في AAAI ، ص 2852-2858 ، 2017.

W. Zaremba و I. Sutskever. تعزيز آلة تورينج للكتاب المقدس للكتاب المقدس -التعديل. Arxiv preprint Arxiv.1505.00521 ، 2015.

X. Zhang و M. Lapata. استخدم الشبكة العصبية بشكل متكرر لتوليد الشعر الصيني. في EMNLP ، ص. 670-680 ، 2014.

عنوان الأطروحة: https://dl.acm.org/authorize؟ n660819

Global AI+Smart Commit To Education

تذاكر مجانية مفتوحة التطبيق!

LEIFENG.com جنبًا إلى جنب مع مجموعة العمل التعليمية التعليمية والتعليم التعليمي و IEEE Education Engineering and Adaptive Education Standard Group لاستضافة قمة التعليم الذكي العالمي في مركز بكين كيري في 15 نوفمبر. أكاديمي ، أكاديمي للمعهد الثالث للولايات المتحدة ، مايكل جوردان من التعلم الآلي ، توم ميتشل ، والد التعلم الآلي ، بالحضور يأخذك للكشف عن التكيف الفكري الحالي والمستقبل من الذكاء الاصطناعي للتعليم.

تسجيل رمز المسح المجاني