Today Paper | DeepCap; metin sınıflandırması; frekans etki alanı grafik dikkat ağı; 3D insan poz tahmini vb.
içindekiler
DeepCap: Zayıf denetime dayalı monoküler insan hareketi yakalama
Metin sınıflandırma problemleriyle başa çıkmak için gömme düzenlileştirme ve yumuşak benzerlik ölçülerini kullanın
Frekans alanı grafiği dikkat ağı
CVPR 2020 | Çok görüntülü doğal görüntülere dayalı, zayıf denetimli 3B insan pozu tahmini
Parametreden bağımsız stil projeksiyonuna dayalı keyfi stil aktarımı
DeepCap: Zayıf denetime dayalı monoküler insan hareketi yakalama
Bildiri Başlığı: DeepCap: Zayıf Denetimi Kullanarak Monoküler İnsan Performansı Yakalama
Yazar: Habermann Marc / Xu Weipeng / Zollhoefer Michael / Pons-Moll Gerard / Theobalt Christian
Gönderme süresi: 2020/3/18
Makaleye bağlantı: https://arxiv.org/abs/2003.08325
Önerilen neden
İnsan hareket yakalama, film yapımında ve sanal / artırılmış gerçeklikte birçok uygulaması olan çok önemli bir bilgisayar görme problemidir.
Önceki yöntemler ya çok pahalı çoklu-görüntülü cihazlar gerektirir ya da çerçeveler arasındaki yoğun geometrik tutarlılığı geri yükleyemez. Bu makale, derin öğrenmeye dayalı bir monoküler yoğun insan hareketi yakalama yöntemi önermektedir. Eğitim aşamasında, eğitim, çok görüntülü görüntülere dayalı olarak zayıf bir şekilde denetlenen bir şekilde gerçekleştirilir. Ağ mimarisi iki bağımsız ağa dayanır ve tüm görev, poz tahminine ayrıştırılır ve Rijit olmayan yüzey deformasyonunun iki görevi vardır. Nitel ve nicel karşılaştırma yoluyla yazar, makale yönteminin kalite ve sağlamlık açısından mevcut en iyi yöntemden daha üstün olduğunu doğrular.
Metin sınıflandırma problemleriyle başa çıkmak için gömme düzenlileştirme ve yumuşak benzerlik ölçülerini kullanın
Kağıt adı: Kelime katıştırma düzenliliği ve yumuşak benzerlik ölçüsü ile metin sınıflandırması
Yazar: Vít Novotn Eniafe Festus Ayetiran Michal tefánik Petr Sojka
Gönderme süresi: 2020/3/10
Makaleye bağlantı: https://arxiv.org/abs/2003.05019
Önerilen neden
Yazar, kelime gömme oluşturma, makine öğrenimi düzenleme yöntemleri, derin öğrenme düzenleme yöntemleri ve kelime gömme için düzenlileştirme yöntemleri perspektiflerinden kelime gömme yöntemlerini ve mevcut durumunu ayrıntılı olarak tanıtmaktadır. Düzenli hale getirme yönteminin optimizasyonu ve birden çok metin sınıflandırma veri kümesini doğrulamak için çeşitli metin benzerliği ölçüm yöntemlerinin kullanılması
Yazar, ortogonalizasyon yöntemine dayalı bir kelime gömme düzenlileştirme yöntemi önermekte ve bu yöntemin birden çok metin sınıflandırma görevi için eğitim süresini ve bellek tüketimini etkili bir şekilde azaltabileceğini ve sınıflandırma yeteneğinin de geliştirilebileceğini kanıtlamaktadır. Yazar, aynı zamanda, ortogonalleştirilmiş kelime yerleştirmeyi kullanırken, metin benzerlik ölçüsü olarak SCM kullanmanın mevcut optimal KİS'den çok daha hızlı olduğunu doğruladı.
Kanımca bu makale, eğitim öncesi modellere dayalı ayarlama veya geçiş öğrenimi için referans değerine sahiptir.
Frekans alanı grafiği dikkat ağı
Kağıt adı: Spektral Grafik Dikkat Ağı
Yazar: Heng Chang / Yu Rong / Tingyang Xu / Wenbing Huang / Somayeh Sojoudi / Junzhou Huang / Wenwu Zhu
Gönderme zamanı: 2020/3/16
Makaleye bağlantı: https://arxiv.org/abs/2003.07450
Önerilen neden
1 temel sorun
Öğrenmeyi temsil etmek için kullanılan grafik sinir ağı, birçok alanda zengin sonuçlara sahiptir.Bunlardan, grafik dikkat ağı bir öz-dikkat mekanizması kullanır ve her bir kenarın dikkat ağırlığını öğrenmek için zaman alanını kullanır. Bununla birlikte, bu mekanizma yalnızca grafiğin yerel bilgilerine dikkat ederek parametre sayısını büyük ölçüde artırır. Bu makale esas olarak, frekans alanındaki grafik dikkat mekanizmasını tanıtmanın temel problemiyle karşı karşıyadır.
2 Yenilik
Bu yazıda önerilen frekans etki alanı grafik dikkat ağı, ağırlıklı olarak ağırlıklı filtrenin ve grafik dalgacık tabanının farklı frekans bileşenlerinin temsilini öğrenir ve genel perspektife dayalı olarak grafik yapısı bilgilerini açıkça kodlar. Spesifik olarak, bu makale temel olarak grafik dalgacıklarını seçer ve onu düşük frekanslı bileşenlere ve yüksek frekanslı bileşenlere ayırır.Daha sonra, düşük frekanslı ve yüksek frekanslı bileşenlere göre iki farklı evrişim çekirdeği oluşturulur ve buna dikkat mekanizması uygulanır. İki evrişim çekirdeği, önemini yakalamayı mümkün kılar. Son olarak, bu makale son çıktıyı üretmek için havuzlama ve etkinleştirme işlevleri uygular.
3 Araştırma önemi
Geleneksel grafik dikkat ağı ile karşılaştırıldığında, bu makalede önerilen yöntem daha az öğrenme parametresi kullanabilir ve grafiğin küresel özelliklerini daha iyi yakalayabilir ve böylece yüksek verimlilik elde edebilir. Bu yazıda önerilen yöntemin yarı denetimli düğüm sınıflandırma görevi üzerine değerlendirilmesi, bu mekanizmanın etkinliğini kanıtlamaktadır.
CVPR 2020 | Çok görüntülü doğal görüntülere dayalı, zayıf denetimli 3B insan pozu tahmini
Kağıt adı: Vahşi Doğada Çoklu Görünüm Görüntüleriyle Zayıf Denetlenen 3D İnsan Duruşu Öğrenimi
Yazar: Umar Iqbal / Pavlo Molchanov / Jan Kautz
Gönderme süresi: 2020/3/17
Makaleye bağlantı: https://arxiv.org/abs/2003.07581
Önerilen neden
Bu makale CVPR2020 tarafından kabul edilmiştir. Doğal resimlerden 3B insan pozunu tahmin etmek son yıllarda sıcak bir araştırma konusu, ancak şu anda karşı karşıya olduğumuz ana sorun, karşılık gelen 3B ek açıklamaların olmaması. Bu makale, bu sorunu çözmek için 3B açıklamalar gerektirmeyen zayıf bir denetim şeması önermektedir ve kolayca elde edilen etiketlenmemiş çoklu görünüm verilerinden insan vücudunun 3B pozunu tahmin etmektedir.
Yazar, zayıf bir şekilde denetlenen eğitim elde etmek için çoklu bakış görüntülerinin tutarlılığını kullanabilen yeni bir uçtan uca çerçeve önermektedir.Yazar, 2.5D tabanlı bir poz gösterimi kullanır ve yeni bir hedef işlevi önerir. Tüm perspektiflerin duruşları makul ve tutarlı olduğunda bunu en aza indirin. Yazar nihayet makale yöntemini iki büyük veri setinde (Human3.6M ve MPII-INF-3DHP) değerlendirdi.Tüm yarı denetimli / zayıf denetimli yöntemler arasında, makale yöntemi en iyi performansı elde etti.
Parametreden bağımsız stil projeksiyonuna dayalı keyfi stil aktarımı
Kağıt adı: Keyfi Tarz Transferi için Parametresiz Stil Projeksiyonu
Yazar: Siyu Huang / Haoyi Xiong / Tianyang Wang / Qingzhong Wang / Zeyu Chen / Jun Huan / Dejing Dou
Gönderme süresi: 2020/3/17
Makaleye bağlantı: https://arxiv.org/abs/2003.07694
Önerilen neden
Görüntü stili aktarımı son yıllarda popüler bir araştırma yönüdür, ancak herhangi bir görüntünün stil aktarımı hala zorlu bir iştir.Herhangi bir stil görüntüsüne göre içerik görüntülerini stilize etmek daha zor bir sorundur.
Bu makale, hızlı ve etkili içerik stili dönüşümü için parametreden bağımsız bir algoritma Stil Projeksiyonu önermektedir. Önerilen Stil Projeksiyon modülünün yardımıyla, yazar ayrıca rastgele stil aktarımı için gerçek zamanlı ileri besleme modeli önerir. Yazar, makale yönteminin geçerliliğini ve etkinliğini nitel analiz, nicel analiz ve kullanıcı araştırması yoluyla doğrular.
