Leifeng.com AI teknolojisi yorumu: CVPR 2018'deki toplam başvuru sayısı 4000'i aştı ve son başvuru sayısı 900'ü aştı ve kabul oranı% 23'ten azdı. Bunlar arasında UBE Sydney AI Araştırma Enstitüsü'nün 4 bildirisi poster olarak kabul edildi. Makalenin ayrıntılı yorumu şu şekildedir:
Kağıt 1: Doğrusal Bağımsızlık Varsayımı Kullanılarak Karışım Oran Tahmini İçin Etkin ve Sağlanabilir Bir Yaklaşım
Karışık dağılımdaki her bileşenin ilgili orantısal katsayılarını incelemek için, her bileşen dağılımının doğrusal bağımsızlık varsayımını karşıladığı varsayılır (yani, her yerde bu bileşen dağılımlarının doğrusal kombinasyonu 0 ile elde edilen dağılım fonksiyonunu yapan bir kombinasyon katsayısı yoktur) ve varsayılır Her bileşen dağılımında az miktarda veri örneklenebilir. İlk olarak, bileşim dağılımının doğrusal bağımsızlık varsayımının (bileşim dağılımının aynı olmadığı), oranlarını tahmin etmeye yönelik mevcut yöntemlerin çeşitli varsayımlarından daha zayıf olduğu gösterilmiştir. İkinci olarak, her bir dağılımın yenilenmiş çekirdeğin Hilbert uzayına gömülmesi ve daha sonra her bir bileşim dağılımının orantılı katsayısını elde etmek için maksimum ortalama fark yönteminin kullanılması önerilmiştir. Bu yöntem (1) ölçek katsayısının benzersizliğini ve tanımlanabilirliğini garanti edebilir; (2) tahmini ölçek katsayısının en uygun çözüme yakınlaşabileceğini ve yakınsama oranının verinin kendisine bağlı olmadığını garanti edebilir; (3) basit bir ikisini çözerek Ölçek faktörünü hızlı bir şekilde elde etmek için alt planlama problemi. Bu araştırma, gürültülü etiketlerle öğrenme, yarı denetimli öğrenme vb. Gibi çok çeşitli uygulama geçmişlerine sahiptir.
Kağıt 2: Monoküler Derinlik Tahmini için Derin Sıralı Regresyon Ağı
3D görsel algılama konusunda monoküler görüntü derinliği tahmini önemli ve zor bir iştir. Mevcut yöntemler bazı iyi sonuçlar elde etmiş olsa da, bu yöntemler genellikle derinlikler arasındaki doğal düzenli ilişkiyi göz ardı etmektedir. Bu sorunu çözmek için, görüntünün derinlik bilgisini daha doğru tahmin etmeye yardımcı olmak için modele bir sıralama mekanizması eklemeyi öneriyoruz. Spesifik olarak, önce yer gerçeği derinliğini aralık artırma yöntemine göre birçok derinlik alt aralığına böleriz; ardından bu derinlikleri simüle etmek için bir pikselden piksele sıralı regresyon kaybı işlevi tasarlarız. Alt aralıkların sıralı ilişkisi. Ağ yapısı açısından, geleneksel kodlayıcı-kod çözücü derinlik tahmin ağlarından farklı olarak, çok ölçekli özellikleri daha iyi çıkarmak ve yüksek çözünürlüklü derinlik haritaları elde etmek için genişletilmiş evrişim ağları kullanıyoruz. Ek olarak, küresel havuzlamadan ve tamamen bağlantılı işlemlerden öğreniyoruz ve etkili bir küresel bilgi öğrenicisi öneriyoruz. Yöntemimiz, KITTI, NYUV2 ve Make3D'nin üç veri setinde mevcut en iyi sonuçları elde etti. Ve KITTI'nin yeni açılan test sunucusunda, resmi taban çizgisinden% 30 ila% 70 daha yüksek puan alıyor.
Belge 3: Modlar Arası Erişim için Kendi Kendini Denetleyen Zorlu Hashing Ağları
Derin öğrenmenin başarısı nedeniyle, modlar arası erişim son zamanlarda önemli bir gelişme kaydetmiştir. Bununla birlikte, yine de önemli bir darboğaz vardır, yani, çoklu modaliteler arasındaki mod farkının nasıl azaltılacağı ve erişim doğruluğunun daha da iyileştirilmesi. Bu makale, kendi kendini denetleyen bir hash (SSAH) yöntemi önermektedir. Karşıt öğrenmenin kendi kendine denetimli bir şekilde çapraz modal karma araştırmaya girişi hala araştırmanın erken aşamasındadır. Bu çalışmanın ana katkısı, farklı yöntemler arasındaki anlamsal alaka düzeyini ve temsil tutarlılığını en üst düzeye çıkarmak için bir dizi rakip ağ kullanmaktır. Ek olarak, yazar aynı zamanda kendi kendini denetleyen bir anlamsal ağ tasarladı.Bu ağ, çok etiketli bilgi için üst düzey anlamsal bilgileri daha da araştırıyor ve elde edilen anlamsal bilgileri farklı modalitelerin özellik öğrenme sürecine rehberlik etmek için denetim olarak kullanıyor.Bu şekilde, yöntemler benzer. İlişki, ortak semantik uzay ve Hamming uzayının iki alanında aynı anda korunabilir, bu da modaliteler arasındaki farkı etkili bir şekilde azaltır, böylece doğru karma kodlar üretir ve erişim doğruluğunu artırır. Üç kıyaslama veri seti üzerinde yapılan kapsamlı deneyler, önerilen SSAH'nin en gelişmiş yöntemlerden daha iyi performans gösterdiğini göstermektedir.
Kağıt 4: Örnek Dönüşüm Ağı ile Geometriye Duyarlı Sahne Metni Algılama
Doğal sahnelerde karakter tanıma, değişken karakter şekli ve düzeni nedeniyle bilgisayar görüşünde zorlu bir sorundur. Bu makalede, sahne metin kodlama sorununu çözmek için geometriye duyarlı bir modelleme yöntemi ve uçtan uca bir öğrenme şeması öneriyoruz. Tek geçişli metin algılama elde etmek için geometrik algı kodlamasını öğrenmek için ağ içi dönüşüm gömme yöntemini kullanan yeni bir örnek dönüşüm ağı (örnek dönüşüm ağı) öneriyoruz. Yeni durum dönüştürme ağı, dönüşüm regresyonu, metin ve metin dışı sınıflandırma ve regresyonu koordine etmenin uçtan uca çok görevli öğrenme stratejisini benimser. Kıyaslama veri setindeki deneyler, önerilen yöntemin çeşitli geometrik konfigürasyonlardaki etkinliğini göstermektedir.