CausalML: Nedensel makine öğrenimi için Python paketi
3B yeniden yapılandırma ve şekil tamamlama için özellik alanında örtük işlevler
Hibrit görüntüleme sistemine dayalı ağır çekim video rekonstrüksiyonu
Çapraz Grafik Evrişimli Ağ (Çapraz GCN): Grafik evrişimli ağı geliştirmek için k-sırası özellik etkileşimini kullanın
Bir nükleer ağ seçmek
Kağıt adı: CausalML: Nedensel Makine Öğrenimi için Python Paketi
Yazar: Huigang Chen *
Gönderme süresi: 2020/3/2
Kağıt bağlantısı: https://paper.yanxishe.com/review/14227?from=leiphonecolumn_paperreview0318
Önerilen neden
Bu makalenin ana içeriği:
Bu makale, nedensellik ve makine öğrenimi görevlerini çözmek için ython dilinde yazılmış bir algoritma olan yeni bir makine öğrenimi algoritma paketi önermektedir ve aşağıdakileri sağlamak için paketlenmiştir: Öğrencilerin kullanması için API arayüzü. Yazar, CausalML paketinin kullanımı için üç açıdan tanıtmaktadır: Hedefleme Optimizasyonu, Nedensel Etki Analizi ve modelin Kişiselleştirilmesi. Ek olarak, yazar sonraki araştırmalarla ilgili kendi görüşlerini de ortaya koydu. Kısacası, bu makale makine öğreniminde yeni olan öğrenciler için uygundur.
Kağıt adı: 3B Şekil Yeniden Oluşturma ve Tamamlama için Özellik Alanında Örtük İşlevler
Yazar: Julian Chibane / Thiemo Alldieck / Gerard Pons-Moll
Gönderme süresi: 2020/3/3
Kağıt bağlantısı: https://paper.yanxishe.com/review/13186?from=leiphonecolumn_paperreview0318
Önerilen neden
Bu makale CVPR2020 tarafından kabul edildi! Makale esas olarak, düşük ve yüksek çözünürlüklü vokselleri, seyrek ve yoğun elektrik bulutlarını, eksiksiz veya eksik verileri vb. İşleyebilen çeşitli 3B girişlerden 3B yeniden yapılandırma ve şekil tamamlama çalışmalarını ele alıyor.
Yazar, giriş verilerinden üç boyutlu tensör ifadesine dayanan çok ölçekli özellikleri çıkarmak için bir sinir ağı kullanır ve tensörü orijinal şekle gömülü Öklid uzayıyla hizalar ve ardından tensörden çıkarılan derin özellikleri sınıflandırır. Deneyler, makalede önerilen modelin küresel ve yerel şekil yapısına göre kararlar aldığını ve daha doğru rekonstrüksiyon sonuçları alabildiğini göstermektedir. Makalenin yöntemi, sürekli çıktı sağlayabilir, çeşitli topolojileri işleyebilir, eksik veya seyrek girdi verilerinden tam şekiller oluşturabilir ve yüzey ayrıntılarını korurken 3D insan gövdelerini yeniden oluşturabilir.
Bildiri Başlığı: Hibrit Görüntüleme Sistemiyle Derin Ağır Çekim Video Yeniden Yapılandırması
Yazar: Avinash Paliwal / Nima Khademi Kalantari
Gönderme süresi: 2020/2/27
Kağıt bağlantısı: https://paper.yanxishe.com/review/12733?from=leiphonecolumn_paperreview0318
Önerilen neden
Ağır çekim video son yıllarda giderek daha popüler hale geldi, ancak çok yüksek kare hızında yüksek çözünürlüklü video çekmek, sıradan tüketiciler veya fotoğraf meraklıları için elde etmesi zor olan profesyonel bir yüksek hızlı kamera gerektiriyor. Makale, yüksek çözünürlüklü ağır çekim videoyu yeniden oluşturmak için bir yöntem önermektedir.
Mevcut ağır çekim video oluşturma yöntemlerinin çoğu, küçük hareketli basit durumlar için iyi sonuçlar alabilen doğrusal enterpolasyon ile uygulanmaktadır, ancak biraz daha karmaşık durumlarda, sonuçlar zayıf olacak ve doğal olmayan sonuçlar alınacaktır. Makale, bu sorunu çözmek için giriş olarak iki video akışı kullanıyor: Düşük kare hızı ve yüksek çözünürlüklü ana videonun yanı sıra, zamanlama bilgisi sağlamak için yüksek kare hızı ve düşük çözünürlüklü yardımcı video da sağlıyor. Yazar, karışık video girişinden yüksek çözünürlüklü ağır çekim videoyu yeniden oluşturmak için hizalama ve görünüm tahmininden oluşan iki aşamalı bir derin öğrenme sistemi önermektedir. Yazar, sentetik bir karma video veri kümesi kullanarak ağı eğitti ve makale yönteminin performansını doğrulamak için basit bir çift kameralı cihaz yaptı.
Kağıt adı: Çapraz GCN: $ k $ -Order Özellik Etkileşimleriyle Grafik Evrişimli Ağı Geliştirme
Yazar: Fuli Feng / Xiangnan He / Hanwang Zhang / Tat-Seng Chua
Gönderme zamanı: 2020/3/5
Kağıt bağlantısı: https://paper.yanxishe.com/review/13480?from=leiphonecolumn_paperreview0318
Önerilen neden
1 Temel sorunlar:
Önceki çalışmalarda, Grafik Evrişimli Ağlar (GCN) güçlü temsil yetenekleri göstermiş ve öneri sistemlerinde ve ilgili belge sınıflandırmasında göz kamaştırıcı sonuçlar elde etmiştir. Bu makale esas olarak, modellemede çapraz özellikleri bırakan geleneksel grafik evrişimli ağ problemini çözmektedir.
2 İnovasyon noktası:
Bu makale, bir çapraz özellikli harita evrişim operatörü önermektedir Bu operatör, herhangi bir sırada çapraz özellikleri kodlayan ve özellik boyutu ve sıra boyutuna dayalı doğrusal karmaşıklığa sahip yeni bir özellik dönüştürme modülü sağlar. Daha sonra, bu operatöre dayanarak, bu makale grafik öğrenmeye dayalı yeni bir yöntem önermektedir.
3 Araştırma önemi:
Geçmişte, grafik evrişimli ağlar, çapraz özelliklerin göreceli olarak önemli olduğu veri kümeleri üzerindeki grafik evrişimli ağların etkisini ve verimliliğini etkileyen grafik çapraz özelliklerinin modellenmesini terk etti. Bu yazıda önerilen Çapraz-GCN, özellikle düşük seviyede öznitelik çıkarımında çapraz özelliklerin modellenmesinde pratiktir. Aynı zamanda, Cross-GCN, düşük boyutlu seyrek veri kümelerinde daha fazla etki iyileştirmesi elde etti.
Kağıt adı: Seçici Çekirdek Ağı
Yazar: Xiang Li; Wenhai Wang; Xiaolin Hu; Jian Yang
Düzenlenme zamanı: 2019/5/16
Kağıt bağlantısı: https://paper.yanxishe.com/review/13537?from=leiphonecolumn_paperreview0318
Önerilen neden
Nörobilimde, görsel korteks nöronlarının alıcı alanının boyutu uyaran tarafından ayarlanır, yani farklı uyaranlar için, evrişim çekirdeğinin boyutu farklı olmalıdır, ancak CNN oluşturulurken genellikle aynı katmanda yalnızca bir evrişim çekirdeği kullanılır. Birden çok evrişim çekirdeğinin rolünü daha az düşünün. Bu makale, CNN'deki evrişim çekirdekleri için dinamik bir seçim mekanizması önermektedir; bu, her bir nöronun alıcı alanının boyutunu (evrişim çekirdeği) giriş bilgilerinin çoklu ölçeğine göre uyarlamalı olarak ayarlamasına izin verir. Seçici Çekirdek Birimi (SK) adı verilen bir yapı bloğu tasarlandı, burada farklı çekirdek boyutlarına sahip birden çok dal, bu dallardaki bilgilerin rehberliğinde SoftMax kullanılarak birleştirildi. SKNet birden fazla SK ünitesinden oluşur.SKNet'teki nöronlar farklı ölçeklerdeki hedef nesneleri yakalayabilir.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı