Today Paper | Dağıtık temsil; meta-öğrenmeye dayalı; ilçe düzeyinde veri seti; GPS-NET, vb.
içindekiler
Cümlelerin ve belgelerin dağıtılmış temsili
Meta öğrenmeye dayalı sahne uyarlamalı video çerçevesi enterpolasyonu
ABD'nin COVID-19'a verdiği yanıtın ülke düzeyinde bir veri kümesi
Etki alanları arası belge nesnesi algılama: karşılaştırma paketi ve yöntemler
GPS-NET: Sahne grafiği üretimi için grafik öznitelik sensör ağı
Cümlelerin ve belgelerin dağıtılmış temsili
Bildiri Başlığı: Cümle ve Belgelerin Dağıtık Temsilleri
Yazar: Quoc Le / Tomas Mikolov
Yayın zamanı: 2014/4/16
Makaleye bağlantı: https://cs.stanford.edu/~quocle/paragraph_vector.pdf
Önerilen neden
Temel soru: Bu makale esas olarak bir belgenin veya cümlenin vektörünün nasıl temsil edileceğiyle ilgili bir soruyu ele almaktadır. Geçmişte, genellikle kelime vektörünü öğrenmiştik. Bu çalışma, tüm cümlenin kelime vektörünü nasıl temsil edeceğimiz konusunda daha da geliştirildi.
Yenilik: Bu makale, word2vec'deki kelime vektörü eğitim yöntemini kullanır. Özellikle, her kelime girildiğinde, makalenin kimliği girilir ve geri yayılım algoritması kullanılır. Şu anda, makale kimliğine karşılık gelen yerleştirme son belgedir kodlama.
Araştırma önemi: Belge gösterimi için birçok uygulama vardır.Çok iyi bir belge gösterimi elde edilebiliyorsa, kelime vektörünün temsili ihmal edilebilir.
Meta öğrenmeye dayalı sahne uyarlamalı video çerçevesi enterpolasyonu
Kağıt adı: Meta-Öğrenme yoluyla Sahneye Uyarlamalı Video Çerçevesi Enterpolasyonu
Yazar: Choi Myungsub / Choi Janghoon / Baik Sungyong / Kim Tae Hyun / Lee Kyoung Mu
Gönderme süresi: 2020/4/2
Makaleye bağlantı: https://arxiv.org/abs/2004.00779v1
Önerilen neden
Bu makale CVPR 2020 tarafından alındı ve video karesi enterpolasyonu sorunu olarak değerlendirildi.
Bu problemde her videonun ön plan ve arka plan hareketindeki, kare hızındaki ve kapanmadaki değişikliklere göre farklı bir sahnesi vardır. Bu nedenle, sabit parametrelere sahip tek bir ağın farklı videolar arasında genelleştirilmesi zordur. İdeal olarak, her bir senaryo farklı bir ağa sahip olabilir, ancak pratik hesaplamalarda bu mümkün değildir. Bu belge, test sırasında kolayca elde edilebilen diğer bilgileri kullanarak modeli her videoya uyarlamayı önermektedir. İlk olarak, basit ağ ince ayarı yoluyla "test zamanı uyarlamasının" faydalarını gösterin ve ardından verimliliği önemli ölçüde artırmak için bunu meta öğrenmeyle birleştirin. Bu makale, başka herhangi bir parametre olmadan önemli bir performans iyileştirmesi elde etmek için yalnızca bir gradyan güncellemesinin gerekli olduğunu göstermektedir. Son olarak, bu makale, meta-öğrenme çerçevesinin herhangi bir video çerçevesi enterpolasyon ağına kolayca uygulanabileceğini ve performansının birden fazla kıyaslama veri setinde sürekli olarak geliştirilebileceğini kanıtlıyor.
ABD'nin COVID-19'a verdiği yanıtın ülke düzeyinde bir veri kümesi
Makale Başlığı: Amerika Birleşik Devletleri'nin COVID-19'a Yanıtını Bilgilendirmek İçin İlçe Düzeyinde Veri Kümesi
Yazar: Killeen Benjamin D. / Wu Jie Ying / Shah Kinjal / Zapaishchykova Anna / Nikutta Philipp / Tamhane Aniruddha / Chakraborty Shreya / Wei Jinchi / Gao Tiger / Thies Mareike / Unberath Mathias
Gönderme süresi: 2020/4/1
Makaleye bağlantı: https://arxiv.org/abs/2004.00756v1
Önerilen neden
Bu makale, COVID-19 salgını araştırmacılarına ve politika yapıcılarına ilçe düzeyindeki hükümet, haberler ve akademik kaynaklardan ilgili verileri bir araya getiren yeni bir veri seti ile katkıda bulunur. JHU CSSE COVID-19 Bilgi Merkezi'nin ilçe düzeyindeki zaman serisi verilerine ek olarak, veri seti nüfus tahminlerini, demografik özellikleri, etnik köken, barınma, eğitim, istihdam ve gelecekteki geliri özetleyen 300'den fazla değişken içerir. Sağlık sistemi ile ilgili iklim, geçiş puanları ve çeşitli göstergeler. Ek olarak, bu makale her ilçedeki (marketler ve hastaneler dahil) çeşitli ilgi çekici yerlerdeki açık hava etkinliği bilgilerini özetler ve SafeGraph verilerini özetler. Bu verileri toplayarak ve bu verileri okumak için araçlar sağlayarak, bu makalenin yazarı, araştırmacıların hastalığın nasıl yayıldığını ve hangi toplulukların evde çalışmak için en uygun olduğunu araştırmasına yardımcı olmayı umuyor.
Etki alanları arası belge nesnesi algılama: karşılaştırma paketi ve yöntemler
Kağıt adı: Alanlar Arası Belge Nesne Algılama: Karşılaştırma Paketi ve Yöntemi
Yazar: Li Kai / Wigington Curtis / Tensmeyer Chris / Zhao Handong / Barmpalios Nikolaos / Morariu Vlad I. / Manjunatha Varun / Sun Tong / Fu Yun
Gönderme süresi: 2020/3/30
Makaleye bağlantı: https://arxiv.org/abs/2003.13197v1
Önerilen neden
Bu makale CVPR 2020 tarafından kabul edildi ve Belge Nesne Algılama (DOD) sorunu olarak kabul edildi.
Bu makale, hedef alanın algılayıcısını öğrenmek için kaynak alandaki etiketli verileri ve hedef alandaki etiketlenmemiş verileri kullanarak alanlar arası DOD'yi inceler. Bu amaçla, bu makale, alanlar arası DOD modeli eğitimi ve değerlendirmesi için kullanılabilecek farklı PDF belge veri kümelerini içeren bir karşılaştırma paketi oluşturmuştur. Her bir veri kümesi için, bu kağıt sayfa görüntüleri, kenarlık açıklamaları, PDF dosyaları ve PDF dosyalarından çıkarılan işleme katmanları sağlar. Ek olarak, bu makale, standart algılama modeline dayanan ve üç yeni hizalama modülünü birleştirerek alan ofsetini çözen yeni bir etki alanları arası DOD modeli önermektedir: özellik piramit hizalama modülü, bölge hizalama modülü ve işleme katmanı hizalama modülü. Karşılaştırma paketi üzerinde yapılan deneyler, yeni yöntemin üstünlüğünü doğruladı.
GPS-NET: Sahne grafiği üretimi için grafik öznitelik sensör ağı
Bildiri Başlığı: GPS-Net: Sahne Grafiği Üretimi için Grafik Özellik Algılama Ağı
Yazar: Lin Xin / Ding Changxing / Zeng Jinquan / Tao Dacheng
Gönderme süresi: 2020/3/29
Makaleye bağlantı: https://arxiv.org/abs/2003.12962v1
Önerilen neden
Bu makale CVPR 2020 tarafından alındı ve sahne grafiği oluşturma (Sahne Grafiği Üretimi, SGG) problemi, yani görüntülerdeki nesneleri ve bunların eşleştirme ilişkilerini tespit etme sorununu ele alıyordu.
Bu makale bir Grafik Özellik Algılama Ağı (GPS-Net) önermektedir. GPS-Net, ilk olarak, düğüm özelliklerini geliştirmek için düğüme özgü bağlam bilgilerini kullanmak için yeni bir mesaj geçirme modülü kullanır ve üç çizgili bir model aracılığıyla kenar yönü bilgilerini kodlar. İkinci olarak GPS-Net, eğitim sırasında düğümler arasındaki öncelik farkını yansıtmak için düğüm önceliği hassasiyet kaybını ortaya çıkarır. Üçüncüsü, GPS-Net, uzun kuyruk dağılım problemini önce dağılımı yumuşatarak ve ardından her nesne çiftinin görsel görünümüne göre ayarlayarak hafifletir. GPS-Net, VG, OI ve VRD olmak üzere üç veri tabanında mevcut en iyi performansı elde etti.
