Today Paper | Sinir Ağı Yapısı Araması; Görsel Hedef; Kişi Tanıma; Video 3D İnsan Duruşu Tahmini, vb.
içindekiler
Evrimsel algoritma ve ağırlık paylaşımına dayalı sinir ağı yapısı araması
Videoda ilgilenilen görsel hedefi tespit edin
Karakter tanıma için durum bilgilerini içeren zayıf denetimli öğrenme yöntemi
Anatomik algıya dayalı 3D insan poz tahmini
RandLA-Net: yeni bir büyük ölçekli nokta bulutu semantik segmentasyon çerçevesi
Evrimsel algoritma ve ağırlık paylaşımına dayalı sinir ağı yapısı araması
Bildiri Başlığı: CARS: Verimli Sinir Mimarisi Araması için Sürekli Evrim
Eser sahibi: Zhaohui
Gönderme süresi: 2020/3/4
Kağıt bağlantısı: https://paper.yanxishe.com/review/13531?from=leiphonecolumn_paperreview0312
Önerilen neden
Bu makale, yerli Huawei şirketinin bir gazetesi olan 2020CVPR'nin bir makalesidir. Bu makalenin ana çalışması, sinir ağı yapısı ararken çok uzun ağ eğitimi problemini optimize etmektir.Yazar, ENAS ve NSGA-III'e atıfta bulunmaktadır. Yazar bu temelde yeni bir yöntem önerdi - CARS olarak kısaltılan sürekli evrim mimarisi araştırması. Bu yöntem, önceki eğitim turunun yapısı ve parametreleri dahil olmak üzere öğrenilen tüm bilgilerin tam olarak kullanılmasını sağlar.
Yenilik:
1. Sinir ağlarını araştırmak için etkili bir sürekli evrim yöntemi geliştirdi. SuperNet'teki en yeni nesil paylaşım parametrelerinin genel mimarisi, eğitim veri setinde ayarlanabilir.
2. Farklı boyutlardaki mükemmel ağları seçmek için Hiçbiri baskın olmayan sıralama stratejisini kullanarak, toplam zaman harcayan sadece 0,5 GPU günüdür.
Videoda ilgilenilen görsel hedefi tespit edin
Kağıt adı: Videoda Katılan Görsel Hedefleri Algılama
Yazar: Chong Eunji / Wang Yongxin / Ruiz Nataniel / Rehg James M.
Gönderme zamanı: 2020/3/5
Kağıt bağlantısı: https://paper.yanxishe.com/review/13533?from=leiphonecolumn_paperreview0312
Önerilen neden
Bu makale CVPR 2020 tarafından kabul edildi ve videodaki hedefi tespit etme sorununu çözmekti. Özellikle amaç, her bir video karesindeki herkesin görüş hattını belirlemek ve çerçeve dışındaki durumu doğru şekilde ele almaktır. Önerilen yeni mimari, zaman içindeki değişiklikleri anlamak için sahne ile baş özellikleri arasındaki dinamik etkileşimi etkili bir şekilde simüle eder. Aynı zamanda, bu makale, gerçek dünyadaki karmaşık ve dinamik bakış davranış kalıplarını içeren yeni bir veri seti olan VideoAttentionTarget'ı tanıtmaktadır. Bu veri seti üzerinde yapılan deneyler, önerilen modelin videolarda etkili bir şekilde dikkat çekebileceğini göstermektedir. Bu yöntemin faydasını daha da kanıtlamak için, bu makale tahmin edilen dikkat haritasını iki sosyal bakış davranışı tanıma görevine uygular ve ortaya çıkan sınıflandırıcının mevcut yöntemlerden önemli ölçüde daha iyi olduğunu gösterir.
Karakter tanıma için durum bilgilerini içeren zayıf denetimli öğrenme yöntemi
Kağıt adı: Kişi kimliği için durum bilgileriyle zayıf denetimli ayrımcı özellik öğrenimi
Yazar: Yu Hong-Xing / Zheng Wei-Shi
Gönderme süresi: 2020/2/27
Kağıt bağlantısı: https://paper.yanxishe.com/review/13409?from=leiphonecolumn_paperreview0312
Önerilen neden
Bu makale, zayıf bir şekilde denetlenen devlet bilgisini öğrenmeyi kullanan yaya tanıma için bir yöntem önermektedir.
Manuel olarak etiketlenmiş eğitim verilerini elde etmenin çok pahalı olduğu gerçeğinde, her bir yayanın farklı görsel özelliklerini tanımlamak için denetimsiz öğrenmeyi kullanmak büyük önem taşımaktadır. Ancak farklı kamera konumları ve açıları gibi durum farklılıkları nedeniyle, aynı kişinin fotoğrafları görsel farklılıklar içerecek ve bu da gözetimsiz sınıflandırma öğrenmeye büyük zorluklar getirecektir. Bu makale, manuel açıklama gerektirmeyen bu durum bilgilerini (kamera konumu veya yüz çekim açısı ek açıklaması gibi) kullanabilen, zayıf denetimli bir öğrenme yöntemi önermektedir. Bu yöntem, varsayılan kategorinin karar sınırını optimize etmek için durum bilgilerini kullanır ve ayarlama yapmak için durum bilgilerini kullanır Tanıma özelliğinin sapması kontrol edilir. Makale Duke-reID, MultiPIE ve CFP veri setleri üzerinde test edilmiştir ve sonuçlar diğer mevcut yöntemlerden çok daha iyidir.Aynı zamanda, kağıdın modeli ve standart denetimli öğrenme modeli de karşılaştırılır ve önemli performans gösterir. Makale kodu, https: //github.com/KovenYu/state-information adresinde bulunabilir.
Anatomik algıya dayalı 3D insan poz tahmini
Kağıt adı: Videoda Anatomiye Uygun 3D İnsan Duruşu Tahmini
Yazar: Tianlang Chen
Gönderme süresi: 2020/2/1
Kağıt bağlantısı: https://paper.yanxishe.com/review/13408?from=leiphonecolumn_paperreview0312
Önerilen neden
Önem:
Bu makale, videodaki 3B insan pozu tahmini için yeni bir çözüm önermektedir. Geleneksel araştırmanın aksine, bu makale doğrudan 3B eklemlerin konumunu incelememektedir, ancak insan kemiği anatomisi perspektifinden, görev, kemik yönü tahmini ve kemik uzunluğu tahmini olarak ayrıştırılmıştır.Bu iki tahminden, üç boyutlu eklemler elde edilebilir. durum.
Yenilik:
1. Bu makale, kemik yönünün tahmini için uzun atlama bağlantıları olan tamamen evrişimli bir yayılma yapısı önermektedir. Bu ağ yapısı, zaman alıcı herhangi bir depolama birimi (LSTM gibi) kullanmadan farklı kemiklerin yönlerini hiyerarşik olarak tahmin ederken gerçekleştirilebilir.
2. Modele ek kılavuz olarak 2B anahtar nokta görünürlük puanlarını beslemek için örtük bir dikkat mekanizması kullanılır ve bu, birçok zorlu pozdaki derinlik belirsizliğini önemli ölçüde azaltır.
RandLA-Net: yeni bir büyük ölçekli nokta bulutu semantik segmentasyon çerçevesi
Kağıt adı: RandLA-Net: Büyük Ölçekli Nokta Bulutlarının Etkin Anlamsal Segmentasyonu
Eser sahibi: Qingyong Hu
Gönderme süresi: 2020/2/1
Kağıt bağlantısı: https://paper.yanxishe.com/review/13407?from=leiphonecolumn_paperreview0312
Önerilen neden
Bu makalenin özü:
Yazar, büyük ölçekli nokta bulutlarında nokta başına anlambilimini çıkarmak için esas olarak RandLA-Net ağ çerçevesini tanıtıyor. Daha karmaşık bir nokta seçim yöntemi yerine rastgele nokta örneklemenin kullanılmasının nedeni, bellek kullanımının çerçeve hesaplama maliyetini büyük ölçüde azaltabilmesidir. Ayrıca yazar, hafif bir ağ mimarisi kullanarak yeni bir yerel özellik toplama modülünü tanıttı ve sonunda RandLA-Net ağ çerçevesinin büyük ölçekli nokta bulutu sorunlarını çözmek için etkili bir şekilde kullanılabileceğini kanıtladı.
Yenilik:
Yazar, örneklemeyi ve yerel özellikleri rastgele bir araya getiren basit ve verimli bir ağ yapısı (RandLA-Net) önermektedir. Bu yöntem, Semantic3D ve SemanticKITTI gibi büyük sahne noktası bulutu bölümleme veri setlerinde çok iyi sonuçlar elde ederek yöntemin üstünlüğünü doğruladı.Ayrıca, bu makalede önerilen ağ çerçevesinin de hesaplama açısından çok verimli olduğu deneyler aracılığıyla ortaya çıktı. Yüksek, diğer modellerden önemli ölçüde daha iyi.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
