Today Paper | El ve nesne rekonstrüksiyonu; 3D insan pozu tahmini; görüntüden görüntüye dönüşüm vb.
içindekiler
-
SMPL-H: Ellerin ve manipüle edilmiş nesnelerin birlikte yeniden yapılandırılmasını öğrenmek
-
SMPLify: Tek bir görüntüden 3D insan pozunu ve şeklini otomatik olarak tahmin edin
-
CDGAN: Görüntüden Görüntüye Dönüştürme için Döngüsel Ayrımcı Üretken Çekişmeli Ağ
-
Büyük bir dönüş sırasında küçük sis
-
SCAIL: Sınıfta kademeli öğrenme için sınıflandırıcı ağırlık ölçeklendirmesi
SMPL-H: Ellerin ve manipüle edilmiş nesnelerin birlikte yeniden yapılandırılmasını öğrenmek
Kağıt adı: Ellerin ve manipüle edilmiş nesnelerin ortak rekonstrüksiyonunu öğrenmek
Yazar: Hasson Yana / Varol Gül / Tzionas Dimitrios / Kalevatykh Igor / Black Michael J. / Laptev Ivan / Schmid Cordelia
Gönderme süresi: 2019/4/11
Makaleye bağlantı: https://arxiv.org/abs/1904.05767
Tavsiye nedeni: Bu makaleyi ICCV 2019 resmi resmi web sitesinde https://mano.is.tue.mpg.de/ görebilirsiniz.
SMPL temelinde, bu makale manipülasyon sırasında ellerin ve nesnelerin yeniden yapılandırılmasını gerçekleştiren ve aynı zamanda çok zorlayıcı olan ilgili araştırmayı açıklamaktadır. Bu makale, yeni bir büyük ölçekli sentetik veri seti olan ObMan'ı önermektedir.
SMPLify: Tek bir görüntüden 3D insan pozunu ve şeklini otomatik olarak tahmin edin
Kağıt Başlığı: Saklayın SMPL: Tek Bir Görüntüden 3D İnsan Duruşu ve Şeklini Otomatik Olarak Tahmin Etme
Yazar: Bogo Federica / Kanazawa Angjoo / Lassner Christoph / Gehler Peter / Romero Javier / Black Michael J.
Düzenlenme zamanı: 2016/7/27
Makaleye bağlantı: https://arxiv.org/abs/1607.08128
Önerilen neden: İnsan vücudunun 3B pozunu ve 3B şeklini tek bir kısıtlanmamış görüntüden otomatik olarak tahmin etmenin ilk yöntemi.
İlk olarak, iki boyutlu insan eklem pozisyonlarını (aşağıdan yukarıya) tahmin etmek için yakın zamanda yayınlanan CNN tabanlı DeepCut yöntemini kullanın. Ardından, yeni yayınlanan istatistiksel vücut şekli modeli SMPL (yukarıdan aşağıya) 2D bağlantılara takılır. Amaç işlevini en aza indirerek, yansıtılan 3B model eklemler ile tespit edilen 2B eklemler arasındaki hatayı cezalandırın.
Resmi internet sitesi: http : //smplify.is.tue.mpg.de/
CDGAN: Görüntüden Görüntüye Dönüştürme için Döngüsel Ayrımcı Üretken Çekişmeli Ağ
Bildiri Başlığı: CDGAN: Cyclic Discriminative Generative Adversarial Networks for Image-to-Image Transformation
Yazar: Babu Kancharagunta Kishan / Dubey Shiv Ram
Gönderme süresi: 2020/1/15
Makaleye bağlantı: https://arxiv.org/abs/2001.05489v1
Bu makale, görüntüden görüntüye dönüşüm sorununu ele almaktadır.
Görüntüden görüntüye dönüştürme, bir görsel temsilin girdi görüntüsünün başka bir görsel temsilin çıktı görüntüsüne dönüştürülmesidir. Son yıllarda, üretken yüzleşme ağı, mimarisine jeneratör ve ayırıcı ağları dahil ederek bu sorunu çözmek için yeni bir yön sağlamıştır, ancak GAN'a dayalı olarak oluşturulan görüntü kalitesinin hala bazı kusurları vardır. Bu makale, Cyclic Discriminant Generative Adversarial Network (CDGAN) adlı yeni bir görüntüden görüntüye dönüştürme ağı önermektedir. CDGAN, CycleGAN'a ek olarak başka ayırıcı ağlar ekleyerek daha yüksek kaliteli ve daha gerçekçi görüntüler üretebilir. Bu makale ayrıca CDGAN'ın üç farklı karşılaştırmalı görüntüden görüntüye dönüştürme veri kümesindeki etkinliğini değerlendirdi.
Büyük bir dönüş sırasında küçük sis
Bildiri Başlığı: Büyük Bir Dönüş İçin Küçük Bir Sis
Yazar: Machiraju Harshitha / Balasubramanian Vineeth N
Gönderme süresi: 2020/1/16
Makaleye bağlantı: https://arxiv.org/abs/2001.05873v1
Bu makale, otomatik navigasyondaki bozulma önleme sorununu ele almaktadır.
Rahatsızlık önleme, küçük ve dikkatlice ayarlanmış rahatsızlıkları ifade eder. Bu tür rahatsızlıklar, otomatik olarak fark edilmeden büyük ölçüde birikecektir. Bu makale, olumsuz hava koşullarının (sis gibi) sinir ağı tabanlı tahminler üzerinde önemli bir etkiye sahip olacağı otomatik navigasyondaki bozulma önleme sorununu ele almaktadır. Şu anda, hava koşulları doğal düşmanlık örnekleri gibi işliyor. Bu makale, örnekler elde etmek için üretken modeller kullanarak, rahatsızlıklarla mücadele konusunda genel bir bakış açısı önermektedir. Yinelenen fikir birliği yaratan karşıt ağdan esinlenen bu makale, girdi görüntüleri için hava koşulları oluşturmak için bir yöntem önermektedir. Önerilen formüller ve sonuçlar, bu görüntülerin otonom navigasyon modelinde kullanılan direksiyon modeli için uygun bir test platformu sağladığını göstermektedir. Bu makale aynı zamanda, algısal benzerliğe dayalı olarak daha doğal ve genel bir düşmanlık rahatsızlığı tanımı önermektedir.
SCAIL: Sınıfta kademeli öğrenme için sınıflandırıcı ağırlık ölçeklendirmesi
Bildiri Başlığı: ScaIL: Sınıf Artımlı Öğrenme için Sınıflandırıcı Ağırlıkları Ölçeklendirme
Yazar: Belouadah Eden / Popescu Adrian
Gönderme süresi: 2020/1/16
Makaleye bağlantı: https://arxiv.org/abs/2001.05755
Bu makale artımlı öğrenmede sınıflandırıcı ağırlıkları sorununu ele almaktadır.
Derin öğrenme yöntemlerine dayalı artımlı öğrenmede, sabit bir hesaplama gücü bütçesi, tüm artımlı durumların sabit bir mimari kullanmasını gerektirir. Sınırlı bellek veri dengesizliğine neden olur, bu da yeni sınıfı saptırır ve öngörü önyargısına neden olur. Genel çözüm, bu önyargıyı ortadan kaldırmak için veri dengeleme adımları uygulamaktır. Bu makale, tarihsel tür sınıflandırıcıların ağırlıklarını yeni türlerin ağırlıklarıyla karşılaştırılabilir hale getirmek için ölçeklendirmek için basit ama etkili bir yöntem önermektedir. Ölçeklendirme ölçeği, artan durum düzeyinde istatistiklerden yararlanır ve mevcut tüm verilerinden yararlanmak için bunu sınıfın ilk durumunda öğrenilen sınıflandırıcıya uygular. Orijinal modeli sınırlı bellekle ince ayar yöntemi ile karşılaştırarak, bu makale artımlı öğrenme algoritmalarında yaygın olarak kullanılan damıtma kaybı bileşeninin pratikliğini sorgulamaktadır. Dört halka açık veri setindeki rekabetçi karşılaştırmalara dayalı değerlendirme sonuçları, sınıflandırıcının ağırlık ölçeklendirmesinin ve damıtma işleminin çıkarılmasının sonuçlar için faydalı olduğunu göstermektedir.
Makale yazar ekibinin işe alınması
AI Araştırma Enstitüsü, yapay zeka gençlerinin çoğuna daha iyi hizmet verebilmek için resmi olarak yeni bir "Tez" bölümü başlattı ve tezleri, önerileri, yorumları ve yorumları sıralayan makaleler aracılığıyla yapay zeka öğrencilerini ve gençleri bir araya getirmek için "ilgi çekici noktalar" olarak kullanmayı umdu ve kod yeniden üretildi. Yurtiçinde ve yurtdışında en son araştırma sonuçlarının incelenmesi, tartışılması ve yayınlanması için bir buluşma yeri olmaya ve mükemmel bilimsel araştırmaların daha yaygın olarak yayılmasına ve tanınmasına izin vermeye kararlıdır.
Umarız akademisyenleri sevenler, Ekleyebilir Bildiri yazarlarından oluşan ekibimize katılın.
Alabilirsiniz
1. Adınızın yazdığı bir makale sizi en göz kamaştırıcı akademik yıldız yapacak
2. Zengin ücret
3. AI ünlü şirketleri, konferans bileti avantajları, özel çevre birimleri vb.
Bildiri yazarı ekibine katılmak için ihtiyacınız olan:
1. Favori makalelerinizi araştırma kulübü üyelerinin çoğuna önerin
2. Tez yorumunu yazın
AI Araştırma Enstitüsü'nün yarı zamanlı makale yazarları ekibine katılmaya hazırsanız, şunları ekleyebilirsiniz: WeChat , "Yarı zamanlı makale yazarı" Açıklamalar
