Today's Paper | İnsan vücudu imajı oluşturma ve kıyafet sanal denemesi; sağlam derin öğrenme; imaj stili aktarımı vb.
Akademik gençlerin en yeni araştırma sonuçlarını ve teknolojilerini daha iyi öğrenmelerine yardımcı olmak için, AI Technology Review ve Paper Research Institute (paper.yanxishe.com) [Paper.yanxishe.com) [Paper Today] sütununu başlattı ve her gün sizin için yapay zekanın sınırlarını seçeceğiz. Akademik belgeler, çalışma referansınız içindir. Aşağıdakiler bugünün seçili içeriğidir
içindekiler
-
ClothFlow: Giyinik Kişi Üretimi için Akış Tabanlı Bir Model
-
Çift Yönlü Geçitli Tekrarlayan Birim Ağları ile Tablo Yapısı Çıkarma
-
UZAY: Uzamsal Dikkat ve Ayrıştırma Yoluyla Denetimsiz Nesne Yönelimli Sahne Temsili
-
Bulut Tabanlı Görüntü Sınıflandırma Hizmeti, Basit Dönüşümler İçin Sağlam Değil: Unutulmuş Bir Savaş Alanı
-
Ters ve Seri Tarz Transferi için Steganografi ile Bağımsız Stilizasyon
-
Bir Nesneyi Bağlamına Göre Yargılamayın: Bağlamsal Önyargının Üstesinden Gelmeyi Öğrenmek
-
node2vec: Ağlar için Ölçeklenebilir Özellik Öğrenimi
-
Döviz Kuru Şangay Bileşik Endeksini Tahmin Etmek İçin Kullanılabilir mi?
-
Otonom Araçların Koordinasyonu: Taksonomi ve Anket
-
Otonom Sürüş Uygulamaları için 3B Nesne Algılama Yöntemleri Üzerine Bir Araştırma
ClothFlow: Süreç tabanlı personel oluşturma modeli
Bildiri Başlığı: ClothFlow: Giyinik Kişi Üretimi için Akış Tabanlı Bir Model
Yazar: Xintong Han / Xiaojun Hu / Weilin Huang / Matthew R. Scott
Gönderme süresi: 2019/10/27
Kağıt bağlantısı: https://paper.yanxishe.com/review/8611?from=leiphonecolumn_paperreview0113
Önerilen neden:
Görünüm akışına dayalı üretken bir ClothFlow modeli önerildi Bu model, giyinen kişiyi konumlandırılan ve yönlendirilen kişinin görüntü üretimi ve sanal denemesi için sentezleyebilir. ClothFlow, Şekil 1'de gösterildiği gibi kaynak ve hedef giysi alanları arasındaki yoğun akışı tahmin ederek geometrik değişiklikleri etkili bir şekilde simüle eder, görünümü doğal olarak değiştirir ve yeni bir görüntü sentezler. Bunu üç aşamalı bir çerçeve ile başardık: 1) Hedef poz koşuluyla, üretim sürecine daha zengin rehberlik sağlamak için önce bir kişinin anlamsal düzenini tahmin ediyoruz. 2) Kademeli trafik tahmin ağı, karşılık gelen giyim bölgeleri arasındaki görünüm eşleşmesini doğru bir şekilde tahmin etmek için iki özellik piramidi ağı temelinde oluşturulur. Ortaya çıkan yoğun akış, kaynak görüntüyü bozar ve deformasyonu esnek bir şekilde yorumlar. 3) Son olarak, oluşturulan ağ, hedef görünümü sunmak için çarpık garnitür alanını girdi olarak alır. Sırasıyla konumlandırma kılavuzlu karakter görüntüsü oluşturma ve sanal deney görevleri için kullanılan derin moda veri kümesi ve VITON veri kümesi üzerinde çok sayıda deney gerçekleştirdik. Güçlü niteliksel ve niceliksel sonuçlar bu yöntemin etkinliğini doğrular.
Poz rehberliğinde kişi oluşturma ve Sanal deneme > Deformasyona dayalı yöntemler (örneğin: afin; TPS; NN)
DensePose tabanlı yöntemler
Yani deformasyona dayalı yöntem ve yoğunluk temelli yöntem
Geometrik deformasyonun daha iyi görünümü aktarılır, ancak daha büyük geometrik dönüşüm, kolayca yanlış ve doğal olmayan dönüşüm tahminine yol açar.
Yoğunluk yöntemine göre, 2B bir resmi 3B insan vücuduna eşlerken, sonuç yeterince gerçekçi görünmüyor.
Bu nedenle, yazarın önerdiği ClothFlow: akış temelli üretken bir model; giysi deformasyonunu çözme; böylece kıyafet giyen insanların resimlerini daha iyi sentezleme;
Çift yönlü kapılı özyinelemeli birim ağının tablo yapısı çıkarımı
Bildiri Başlığı: İki Yönlü Geçitli Tekrarlayan Birim Ağlarıyla Tablo Yapısı Çıkarma
Yazar: Khan Saqib Ali / Khalid Syed Muhammad Daniyal / Shahzad Muhammad Ali / Shafait Faisal
Gönderme süresi: 2020/1/8
Kağıt bağlantısı: https://paper.yanxishe.com/review/8614?from=leiphonecolumn_paperreview0113
Önerilen neden: Bu makale, tablo yapısı tanıma problemini çözmek içindir.
Tablolar, okuyucuya toplu yapılandırılmış bilgiler sunar, bu da tablo yapısı çıkarımını uygulamaları anlamanın önemli bir parçası haline getirir. Bununla birlikte, tablo yapısının tanımlanması, yalnızca tablo düzeni ve stilindeki büyük değişiklikler nedeniyle değil, aynı zamanda sayfa düzenindeki ve gürültü kirliliği seviyelerindeki değişiklikler nedeniyle de zor bir sorundur. Tablonun yapısını belirlemek için, çoğu sezgisel yöntemlerin, optik karakter tanıma (OCR) yardımıyla tablonun el-kavrama düzeni özelliklerine uygulanmasına dayanan çok sayıda araştırma yapılmıştır. Tablo düzenindeki değişiklikler ve OCR tarafından üretilen hatalar nedeniyle, bu yöntemler iyi bir şekilde genelleştirilemez.
Bu makalede yazar, belge görüntüsündeki algılama tablosundan satırları ve sütunları yüksek hassasiyetle çıkarabilen güçlü derin öğrenmeye dayalı bir yöntem önermektedir. Önerilen çözümde, tablo görüntüsü önce ön işlemden geçirilir ve ardından kapılı tekrarlayan birim (GRU) ile çift yönlü tekrarlayan bir sinir ağına beslenir, ardından maksimum yumuşak aktivasyona sahip tam bağlı bir katman gelir. Ağ, görüntüyü yukarıdan aşağıya ve soldan sağa tarar ve her girişi bir satır ayırıcı veya sütun ayırıcı olarak sınıflandırır. Yazar, yazarın sistemini kamuya açık UNLV ve ICDAR 2013 veri setlerinde kıyaslamıştır.Bu veri setinde, performansı en son tablo yapısı çıkarma sistemini aşmaktadır. Bu makale, kamuya açık UNLV ve ICDAR 2013 veri setleri üzerinde deneyler gerçekleştirdi ve önerilen yöntemin bu alandaki mevcut en iyi çözümden önemli ölçüde daha iyi olduğunu doğruladı.
UZAY: Uzamsal dikkat ve ayrıştırma yoluyla denetimsiz nesne yönelimli sahne temsili
Bildiri Başlığı: UZAY: Uzamsal Dikkat ve Ayrıştırma Yoluyla Denetimsiz Nesneye Yönelik Sahne Temsili
Yazar: Lin Zhixuan / Wu Yi-Fu / Peri Skand Vishwanath / Sun Weihao / Singh Gautam / Deng Fei / Jiang Jindong / Ahn Sungjin
Gönderme süresi: 2020/1/8
Kağıt bağlantısı: https://paper.yanxishe.com/review/8615?from=leiphonecolumn_paperreview0113
Önerilen neden: Bu makale, çok amaçlı sahne ayrıştırması sorununu ele almaktadır.
Nesne tabanlı sahne temsili öğrenmenin denetimsiz yöntemleri iki kategoriye ayrılabilir: uzamsal dikkat tabanlı mekanizma ve sahne tabanlı karıştırma Ancak, bu yöntemler ölçeklenebilirlik ile sınırlıdır ve gerçek dünya senaryolarında daha fazla uygulanmasını engeller. Bu makale, en iyi uzamsal dikkat ve sahne karıştırma yöntemlerini birleştirmek için birleşik bir olasılıksal modelleme çerçevesi sağlamak için SPACE adlı üretken bir gizli değişken modeli önermektedir. SPACE, ön plandaki nesneler için doğru ayrıştırılmış nesne temsil bilgileri sağlayabilir ve karmaşık arka plan parçalarını ayrıştırabilir. Ek olarak, SPACE aynı zamanda paralel bir uzamsal dikkat mekanizması sunarak ölçeklenebilirlik sorununu çözer, böylece çok sayıda nesne içeren sahnelere uygulanabilir. Atari ve 3D-Rooms deneyleri, SPACE'in önceki yöntemlerden SPAIR, IODINE ve GENESIS'ten daha iyi performansa sahip olduğunu göstermektedir. Yazarlar ayrıca proje web sitesini (https://sites.google.com/view/space-project-page) sağlar.
Bulut tabanlı görüntü sınıflandırma hizmetleri, basit dönüşümler için çok sağlam değildir: unutulmuş bir savaş alanı
Kağıt Başlığı: Bulut Tabanlı Görüntü Sınıflandırma Hizmeti Basit Dönüşümler İçin Sağlam Değil: Unutulmuş Bir Savaş Alanı
Yazar: Goodman Dou / Wei Tao
Gönderme süresi: 2019/6/19
Kağıt bağlantısı: https://paper.yanxishe.com/review/8617?from=leiphonecolumn_paperreview0113
Öneri nedeni: Bu makale, bulut tabanlı görüntü sınıflandırma hizmetleri için rakip örneklerin oluşturulmasını ele almaktadır.
Bulut tabanlı görüntü sınıflandırma hizmetleri, Gauss gürültüsü, tuz ve biber gürültüsü, döndürme ve monokromatizasyon gibi basit dönüşümlere (ST) karşı sağlam değildir. Buna dayanarak, bu makale OpenCV kullanılarak elde edilebilecek bir görüntü füzyon saldırısı (Image Fusion, IF) yöntemi önermektedir ve savunması zordur. Bu makale, Amazon, Google, Microsoft ve Clarifai dahil olmak üzere dört popüler bulut platformunda ST ve IF yöntemlerini değerlendirmektedir.Deneysel sonuçlar, Amazon'daki% 50 başarı oranına ek olarak, diğer platformlarda ST saldırılarının olduğunu göstermektedir. Başarı oranı% 100 olup, farklı sınıflandırma hizmetlerinde IF yönteminin başarı oranı% 98'i aşmaktadır.
Ters ve seri stil aktarımı için steganografi aracılığıyla bağımsız stilizasyon
Bildiri Başlığı: Ters ve Seri Tarz Transferi için Steganografi ile Bağımsız Stilizasyon
Yazar: Chen Hung-Yu / Fang I-Sheng / Chiu Wei-Chen
Gönderme süresi: 2018/12/10
Kağıt bağlantısı: https://paper.yanxishe.com/review/8618?from=leiphonecolumn_paperreview0113
Önerilen neden: Bu makale, görüntü stili aktarım sorununu ele almaktadır.
Stilize edilmiş bir görüntü verildiğinde, stilini değiştirmek veya onu tekrar başka bir stile dönüştürmek için tipik bir stil aktarım yöntemi kullanarak, genellikle yapaylıklar veya istenmeyen sonuçlar alırsınız. Bu makale, bu tür sorunların orijinal görüntü ile stil çıktısı arasındaki tutarsızlıktan kaynaklandığına inanmaktadır. Bu makale, geçiş süreci sırasında girdi görüntü içeriği bilgilerini korumak için steganografiyi kullanmayı önermekte ve iki aşamalı bir yöntem ve uçtan uca bir yöntem önermektedir. Deneysel sonuçlar, bu makalede önerilen yöntemin yalnızca tipik stil aktarım yöntemleriyle üretilenlerle aynı kalitede stilize edilmiş görüntüler üretemeyeceğini, aynı zamanda orijinal girdiyi yeniden yapılandırırken ortaya çıkan artefaktları etkili bir şekilde ortadan kaldırabileceğini göstermektedir.
Nesneleri bağlama göre yargılamayın: bağlamın önyargılarının üstesinden gelmeyi öğrenin
Bildiri Başlığı: Bir Nesneyi Bağlamına Göre Yargılamayın: Bağlamsal Önyargının Üstesinden Gelmeyi Öğrenmek
Yazar: Singh Krishna Kumar / Mahajan Dhruv / Grauman Kristen / Lee Yong Jae / Feiszli Matt / Ghadiyaram Deepti
Gönderme süresi: 2020/1/9
Kağıt bağlantısı: https://paper.yanxishe.com/review/8619?from=leiphonecolumn_paperreview0113
Öneri nedeni: Bu makale, nesne tanıma sorununu ele almaktadır.
Nesne tanımada, mevcut modeller, tanıma doğruluğunu iyileştirmek için genellikle nesnenin birlikte oluşma bilgilerini ve bağlamını kullanır. Bununla birlikte, bağlama büyük ölçüde güvenmek, modelin genelleştirilmesi açısından risk oluşturabilir. Bu makale, öğrenilen özellik temsilinin sağlamlığını geliştirmek için bu bağlam kayması problemini çözmeye çalışmaktadır, böylece bir nesnenin içeriği eksik olsa bile bir nesnenin türü doğru bir şekilde tanımlanabilir. Bu makalenin ana fikri, kategorinin özellik temsili ile ilgili bilgileri birlikte oluşum bağlamından çıkarmaktır.İki tür özellik alanını birlikte öğrenerek, bir tür özellik alt uzayı aynı anda oluşmadan kategoriyi doğru bir şekilde temsil edebilir ve diğeri Sınıflar hem kategoriyi hem de bağlamı temsil eder. Dört zorlu veri seti üzerinde yapılan deneyler, bu makalede önerilen yöntemin etkinliğini kanıtlamaktadır.
node2vec ağ özelliği öğrenme algoritması
Kağıt adı: node2vec: Ağlar için Ölçeklenebilir Özellik Öğrenimi
Yazar: Grover Aditya / Leskovec Jure
Yayın zamanı: 2016/7/3
Kağıt bağlantısı: https://paper.yanxishe.com/review/8624?from=leiphonecolumn_paperreview0113
Öneri nedeni: Bu makale, ağ analizi süper grubu Stanford'un Jure grubundan geliyor.
Rastgele yürümeye dayalı bir tür ağ gösterimi öğrenme algoritması olan deepwalk, düğüm sırasını ağda rastgele yürüyüşle elde eder.
Bununla birlikte, ağdaki rastgele yürüyüşler önce derinliğe ve genişliğe sahiptir ve ağın yapısal özelliklerini farklı açılardan yakalayabilirler.Bu makale, iki hiperparametre ile derin yürüyüş temelinde kişiselleştirilmiş bir rastgele yürüyüş tasarlar p Ve rastgele yürüyüşün yönünü kontrol etmek için q p = q = 1 olduğunda, node2vec'in derin yürüyüşe dönüştüğü unutulmamalıdır.Öğrenme modelini temsil eden kısım için, skip-gram'ın önemli bir değişikliği yoktur.
Deneysel sonuçlar ayrıca bu yazıda önerilen algoritmanın etkinliğini de doğrulamaktadır.
Döviz kuru, Şangay Bileşik Endeksini tahmin etmek için kullanılabilir mi?
Kağıt adı: Döviz Kuru, Şangay Bileşik Endeksini Tahmin Etmek İçin Kullanılabilir mi?
Yazar: Jun Zhang / Yuan-Hai Shao / Ling-Wei Huang / Jia-Ying Teng / Yu-Ting Zhao / Zhu-Kai Yang / Xin-Yang Li
Gönderme süresi: 2019/12/25
Kağıt bağlantısı: https://paper.yanxishe.com/review/8612?from=leiphonecolumn_paperreview0113
Öneri nedeni: Bu makale, ilk kez Şangay Bileşik Endeksini tahmin etmek için döviz kurunu doğrudan kullanmaya çalışmaktadır.Temel yaklaşım, girdi özellikleri olarak döviz kuruna dayalı teknik göstergeler oluşturmak ve ardından eğilimleri sınıflandırmak için SVM'yi kullanmaktır. Diğer girdilere dayalı tahminlerle (tarihsel fiyat hacmine dayalı teknik göstergeler, haber verileri vb.) Karşılaştırıldığında, bu makale döviz kuru tahmininin benzer performansa sahip olduğunu kanıtlamaktadır. Ve bu makale ilgili verileri ve Matlab kodunu açıklamaktadır.
Bu yazının odak noktası, derin öğrenme modelleri gibi özellikle karmaşık modeller kullanmaktan ziyade girdi verileridir. Şu anda, genellikle tek bir veriyi kullanmaktan daha iyi bir performansa sahip olan borsa eğilimini tahmin etmek için girdi olarak birden çok veri kaynağını kullanmak bir eğilim haline geliyor.
Otonom araçların koordinasyonu: sınıflandırma ve genel bakış
Bildiri Başlığı: Otonom Araçların Koordinasyonu: Taksonomi ve Anket
Yazar: Mariani Stefano / Cabri Giacomo / Zambonelli Franco
Gönderme süresi: 2020/1/8
Kağıt bağlantısı: https://paper.yanxishe.com/review/8613?from=leiphonecolumn_paperreview0113
Tavsiye nedeni: Bu, otonom araçların zamanlama problemine genel bir bakıştır. Otonom araçların, paylaşılan kaynaklara (kavşaklar ve park alanları gibi) erişimi düzgün bir şekilde idare etmek ve manevra görevlerini (rampa birleştirme gibi) gerçekleştirmek için koordine edilmesi gerekir. Bu makale ilk olarak, anahtar çizelgeleme sorunu kategorilerini tanımlayarak ve oluşturarak otonom araç çizelgelemesiyle ilgili genel konuları tanıtmaktadır. Daha sonra, bu tür planlama problemini yönetmek için kullanılabilecek farklı yöntemleri ana hatlarıyla belirtir ve bu yöntemleri, planlama koordinasyonu sürecinde araçların özerklik derecesine göre sınıflandırır. Son olarak, bu makale, otonom araçların pratik olabilmesi için çözülmesi gereken diğer bazı özel zorlukları da özetlemektedir. Bu makale, otonom araçlar arasındaki zamanlama sorununa odaklanmaktadır.Otonom sürüş pratik hale gelmeden önce çözülmesi gereken birçok ilgili sorun vardır.
Otonom Sürüş Uygulamaları için 3B Hedef Tespit Yöntemlerine Genel Bakış
Kağıt adı: Bir Anket > Yazar: Eduardo Arnold / Omar Y. Al-Jarrah / Mehrdad Dianati / Saber Fallah / David Oxtoby / Alex Mouzakitis
Yayın zamanı: 2019/1/22
Kağıt bağlantısı: https://paper.yanxishe.com/review/8620?from=leiphonecolumn_paperreview0113
Tavsiye nedeni: Otonom araçların (AV) güvenilir bir şekilde çalışabilmeleri için çevrelerini doğru bir şekilde algılamaları gerekir. Genellikle makine öğrenimini (örneğin, derin öğrenme) kullanan AV algılama sistemi, duyusal verileri otonom sürüş yapabilen anlamsal bilgilere dönüştürür. Nesne algılama, algılama sisteminin temel işlevidir ve bu sorunlar, çoğu 2B algılama yöntemlerini kullanan bir dizi çalışmayla çözülmüştür. Bununla birlikte, iki boyutlu yöntem, yol planlama, çarpışmadan kaçınma vb. Gibi sürüş görevleri için gereken derinlik bilgisi olan derinlik bilgisi sağlamaz. Bunun yerine, 3B nesne algılama yöntemi, daha ayrıntılı nesne boyutu ve konum bilgilerini ortaya çıkaran üçüncü bir boyut sunar. Ancak, bu yöntemin algılama doğruluğunun iyileştirilmesi gerekmektedir. Bildiğimiz kadarıyla bu, otonom sürüş uygulamaları için 3B nesne algılama yöntemlerinin ilk araştırmasıdır.
Bu makale, otonom sürüş senaryolarında üç boyutlu hedef tespit yöntemlerine ayrıntılı bir genel bakış sağlar ve yaygın olarak kullanılan sensörleri ve veri setlerini tanıtır. 3D hedef tespit yönteminde kullanılan sensörlere göre, bu makale onları üç kategoriye ayırıyor: monoküler kamera görüntüsü, nokta bulutu ve füzyon. Daha sonra bu yöntemlerin deneysel sonuçlarını aynı veri setinde özetleyin, mevcut yöntemlerin eksikliklerini ve gelecekte çalışılmaya değer yönleri özetleyin.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
