Today Paper | RevealNet; zaman serisi tahmini; denetimsiz soru ve cevap; gerçek zamanlı anlamsal stereo eşleştirme, vb.
içindekiler
F, B, Alfa Örtüleme
Zaman serisi tahmini için sembolik yöntemi temel alan bir LSTM ağı kullanın
RevealNet: RGB-D tarama sahnesindeki her nesneyi gözetleyin
BERT, onu bir bilgi tabanı olarak adlandırmak için yeterli değildir: BERT'in gerçeklere dayalı bilgisinin ve denetimsiz soru cevaplama görevlerinde isme dayalı akıl yürütme öğrenme yeteneğinin karşılaştırılması
Gerçek zamanlı anlamsal stereo eşleştirme
F, B, Alfa Örtüleme
Kağıt adı: F, B, Alpha Matting
Yazar: Marco Forte / François Pitié
Gönderme süresi: 2020/3/17
Kağıt bağlantısı: https://paper.yanxishe.com/review/14460?from=leiphonecolumn_paperreview0331
Önerilen neden
Bu makale ECCV2020'ye gönderilmiştir. Görüntü Örtüleme, birçok görüntü düzenleme uygulamasında önemli bir teknolojidir.Nesneyi resimden ayırması ve opaklık maskesini tahmin etmesi gerekir. Derin öğrenmeye dayalı yöntemler de büyük ilerleme kaydetti, ancak mevcut ağların çoğu yalnızca alfa maskelerini tahmin ediyor ve şeffaf alandaki orijinal ön plan ve arka plan renklerini geri yüklemek için işlem sonrası yöntemlere ihtiyaç var. Son zamanlarda aynı anda ön plan rengini tahmin etmek için iki yeni yöntem olsa da, çok fazla hesaplama ve depolama maliyeti gerektiriyorlar.
Bu makale, ön plan ve arka plan renklerini aynı anda tahmin etmesini sağlamak için Matting ağına düşük maliyetli bir değişiklik önermektedir. Yazar, eğitim yöntemlerindeki değişiklikleri inceledi ve ortak eğitim için çok sayıda mevcut ve yeni kayıp işlevini araştırdı. Makale yöntemi, Adobe Composition-1k veri kümesinde alfa maskesi ve bileşik renk kalitesinin en gelişmiş performansını elde eder ve alphamatting.com çevrimiçi değerlendirme sisteminde şu anki ilk sırayı almıştır.
Zaman serisi tahmini için sembolik yöntemi temel alan bir LSTM ağı kullanın
Bildiri Başlığı: LSTM Ağlarını Kullanarak Zaman Serisi Tahmini: Sembolik Bir Yaklaşım
Yazar: Steven Elsworth ve Stefan Guttel
Gönderme süresi: 2020/3/12
Kağıt bağlantısı: https://paper.yanxishe.com/review/14428?from=leiphonecolumn_paperreview0331
Önerilen neden
Bu yazıda, LSTM, zaman serisi verilerini tahmin etmek için kullanılmıştır.Eğitim hızını artırmak için, veri setini sembolik forma önceden işlemek ve son olarak LSTM ağı tarafından kullanılmak üzere sembolü sayısallaştırmak için küme tabanlı ABBA temsil yöntemi kullanılmıştır. .
Bu makale, veri simgeleştirme yöntemini optimize eder ve dönüştürülen zaman serisi verilerini daha kompakt ve pürüzsüz hale getirmek için enterpolasyon kullanır.Ayrıca yazar, hiperparametrelere duyarlılıktan önceden işlenmiş verilerin kullanımını inceledi. Eğitimin doğrudan ham verileri kullanarak eğitimden daha hızlı olmasının nedeni.
Trafik akışı tahmini yaparken, trafik akış değerini sembolik bir temsile dönüştürmeye çalışmak ve ardından eğitim için LSTM + dikkat ağ yapısını kullanmak için bir hevesim vardı. Etki çok iyiydi. Bu makale o zamanki şüphelerimin çoğunu yanıtladı. Önişlemeden sonra birçok sayısal dizi verisi, daha zengin bağlam bilgisi elde etmek için doğal dil işleme yöntemleri kullanılarak tahmin edilebilir.Bu anlayışın doğru olup olmadığını merak ediyorum.
RevealNet: RGB-D tarama sahnesindeki her nesneyi gözetleyin
Kağıt adı: RevealNet: RGB-D Taramalarında Nesnelerin Arkasını Görme
Yazar: Hou Ji / Dai Angela / Nießner Matthias
Gönderme süresi: 2019/4/26
Kağıt bağlantısı: https://paper.yanxishe.com/review/14282?from=leiphonecolumn_paperreview0331
Önerilen neden
Bu makale CVPR2020 tarafından kabul edilmiştir. 3B yeniden yapılandırma sürecinde, insan vücudu genellikle her bir görünümdeki tüm nesneleri tek tek tarayamaz, bu da tarama verilerinin kaybına neden olur ve bu da birçok uygulamayı sınırlar. .
Bu makalenin yazarı, her bir nesne örneğini algılamak ve tam geometrik şeklini çıkarmak için tamamlanmamış bir RGBD tarama sahne verilerinden semantik bir örnek tamamlama görevi sunar. Yazar, bu sorunu çözmek için, örnek nesnelerini birlikte algılamak ve tüm geometrilerini tahmin etmek için veriye dayalı bir yöntem kullanan uçtan uca bir 3D sinir ağı mimarisi RevealNet'i önermektedir. Bu, taranan sahnenin, tıkalı ve gözlenmemiş nesne parçaları dahil olmak üzere bağımsız ve eksiksiz 3B nesnelere anlamsal olarak bölünmesini sağlar. Şu anki en iyi yöntemle karşılaştırıldığında, makale yönteminin etkisi mAP@0.5 ölçüm standardı altında büyük ölçüde geliştirildi ScanNet veri setinde 15, SUNCG veri setinde ise 18 iyileştirme var.
Makale, bir 3B makine öğrenimi görevini tanıtır: anlamsal örnek tamamlama ve bu görevi çözmek için etkili bir RevealNet çerçevesi önerir.
BERT, onu bir bilgi tabanı olarak adlandırmak için yeterli değildir: BERT'in gerçeklere dayalı bilgisinin ve denetimsiz soru cevaplama görevlerinde isme dayalı akıl yürütme öğrenme yeteneğinin karşılaştırılması
Kağıt adı: BERT Bir Bilgi Tabanı Değil (Henüz): Denetimsiz KG'de Olgusal Bilgi ve İsme Dayalı Akıl Yürütme
Yazar: Nina Poerner * ve Ulli Waltinger ve Hinrich Schutze ¨ *
Yayın zamanı: 2019/11/9
Kağıt bağlantısı: https://paper.yanxishe.com/review/14281?from=leiphonecolumn_paperreview0331
Önerilen neden
Yazar bazı özel problemler buldu: cümledeki varlığın isminden çıkarım yapmak zor, ama aslında zor değil.BERT için uğraşmak zor, bu nedenle BERT'in isminden cevabı çıkarabileceğini sorguluyor, ancak buna cevap vermek yeterli değil bilgi tabanı. Aynı zamanda, Wikipedia tarafından tahmin edilen kelime vektörünü BERT modeline yerleştiren genişletilmiş bir model önerildi ve BERT ve ERNIE'den daha iyi sonuçlar aldı.
Yazar tarafından önerilen genişletilmiş model, BERT'nin belirli görevler üzerindeki etkisini artıran kelime vektörü yerleştirmeyi tanıtır.Ek bir bilgi tabanında önceden eğitilmesi gereken bilgi gömme ile karşılaştırıldığında, daha kolay ve daha yorumlanabilir.
Gerçek zamanlı anlamsal stereo eşleştirme
Kağıt adı: Gerçek Zamanlı Anlamsal Stereo Eşleştirme
Yazar: Dovesi Pier Luigi / Poggi Matteo / Andraghetti Lorenzo / Martí Miquel / Kjellström Hedvig / Pieropan Alessandro / Mattoccia Stefano
Gönderme süresi: 2019/10/1
Kağıt bağlantısı: https://paper.yanxishe.com/review/14231?from=leiphonecolumn_paperreview0331
Önerilen neden
Bu makale, anlambilimsel bölümleme ve binoküler derinlik tahmini iki görevini uygulamak ve gerçek zamanlı hız elde etmek için aynı uçtan uca ağı kullanan ilk gerçek zamanlı anlamsal stereo eşleştirme ağı RTSSNet'i önermektedir. Önceki makaleler semantik bölümleme ve stereo eşlemeyi (SegStereo gibi) birleştirdi, ancak gerçek zamanlı hıza ulaşamadılar. Bu yazıda önerilen RTSSNet yapısı 4 piramit modülü, (1) özellik çıkarma modülü; (2) eşitsizlik tahmin modülü; (3) anlamsal bölümleme modülü; (4) işbirlikçi uyumsuzluk optimizasyon modülü içerir. İlk modül iki görevle paylaşılır; ikinci ve üçüncü modüller sırasıyla iki göreve karşılık gelir ve doğruluğu ve hızı dengelemek için çözünürlüğü giderek artan üç aşamaya sahiptir; dördüncü modül daha ileri gitmek için kullanılır Daha doğru bir eşitsizlik haritası elde etmek için anlamsal bilgi ve derinlik bilgisinin birleşimi. Bu makale, sahne algısındaki akıllı robotların ihtiyaçlarına odaklanan robot zirve toplantısı olan ICRA 2020'de yayınlandı - sadece hedefin nerede olduğunu bilmek (derinlik bilgisi) değil, aynı zamanda hedefin ne olduğunu bilmek (anlamsal bilgi). Güçlü bir pratik kullanıma sahiptir.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
