Today Paper | 4D ilişkilendirme grafiği; genel temsil öğrenimi; meta-transfer öğrenimi; tarafsız sahne grafiği oluşturma vb.
içindekiler
Birden çok kamera kullanarak gerçek zamanlı çok oyunculu hareket yakalamanın 4D korelasyon grafiği
Genişletilmiş öğrenme: derin stereo eşleştirme ağını yeni sahnelere genelleştirin
Derin yüz tanıma için genel temsil öğrenimi
Sıfır örnek süper çözünürlük için meta aktarım öğrenimi
Önyargılı eğitime dayalı tarafsız sahne grafiği oluşturma
Birden çok kamera kullanarak gerçek zamanlı çok oyunculu hareket yakalamanın 4D korelasyon grafiği
Bildiri Başlığı: Birden Çok Video Kamera Kullanarak Gerçek Zamanlı Çok Kişili Hareket Yakalama için 4D İlişkilendirme Grafiği
Yazar: Zhang Yuxiang / An Liang / Yu Tao / Li Xiu / Li Kun / Liu Yebin
Gönderme süresi: 2020/2/28
Kağıt bağlantısı: https://paper.yanxishe.com/review/12957?from=leiphonecolumn_paperreview0306
Önerilen neden
Bu makale CVPR 2020 tarafından alındı ve çok görüntülü video girişi kullanan yeni bir gerçek zamanlı çok kişili hareket yakalama algoritması önerdi.İlk defa, görünüm analizi, çapraz görünüm eşleştirme ve zaman izleme, bir 4D ilişkilendirmesi elde etmek için bir optimizasyon çerçevesine entegre edildi Her boyutu (görüntü alanı, bakış açısı ve zaman) aynı anda eşit olarak ele alabilen şekil. 4D ilişki grafiğini etkili bir şekilde çözmek için, bu makale ayrıca sezgisel aramaya dayalı 4D uzuv analizi fikrini önermektedir ve ardından Kruskal algoritmasını önererek uzuvları birleştirmektedir. Bu yeni algoritma, 5 kişilik bir sahnede 5 kamera kullanabilir ve 30 fps'de gerçek zamanlı çevrimiçi bir hareket yakalama sistemi çalıştırabilir. Yeni algoritma sadece gürültü tespitine karşı sağlam değil, aynı zamanda yüksek kaliteli çevrimiçi poz rekonstrüksiyon sonuçları da elde ediyor. Gelişmiş görünüm bilgisi kullanılmadan, yeni algoritma mevcut en iyi yöntemden daha iyidir.
Genişletilmiş öğrenme: derin stereo eşleştirme ağını yeni sahnelere genelleştirin
Bildiri Başlığı: Yakınlaştır ve Öğren: Yeni Alanlara Derin Stereo Eşleştirmeyi Genelleme
Yazar: Pang Jiahao / Sun Wenxiu / Yang Chengxi / Ren Jimmy / Xiao Ruichao / Zeng Jin / Lin Liang
Düzenlenme zamanı: 2018/3/18
Kağıt bağlantısı: https://paper.yanxishe.com/review/12831?from=leiphonecolumn_paperreview0306
Önerilen neden
Bu makalenin özü, derin stereo eşleştirme modelinin sentetik veriler üzerinde ön eğitimden sonra gerçek veriler üzerinde zayıf bir genelleme yeteneğine sahip olduğu sorununu çözmektir. Yazar, gerçek verileri güçlendirdikten ve sentetik verilerle önceden eğitilmiş bir modele girdikten sonra, sonucun orijinal boyut girdisinden daha rafine olduğunu gözlemler. Dolayısıyla, gerçek verilerin büyütülmesiyle elde edilen eşitsizlik haritası, denetim için bir tür "gerçek" eşitsizlik olarak kullanılabilir. Ek olarak, yazar, elde edilen eşitsizlik haritasını kısıtlamak için, sentetik veriler üzerinde önceden eğitilmiş modelin neden olduğu gürültüyü ve bozulmayı etkili bir şekilde ortadan kaldırabilen Turappass düzenleme tekniğinden yararlanır ve eşitsizlik haritası daha pürüzsüzdür ve kenarlar daha ayrıntılıdır. Bu makale aynı zamanda alan uyarlaması için iki anahtar faktörü göstermektedir: (1) Gerçek veriler daha güvenilir "sözde etiket" denetimine sahip olmalıdır; (2) Eşitsizlik haritasının düzgün olması ve kenar kısıtlamalarını koruması gerekir. Bu makale CVPR 2018'e dahil edilmiştir.
Derin yüz tanıma için genel temsil öğrenimi
Bildiri Başlığı: Derin Yüz Tanıma için Evrensel Temsili Öğrenmeye Doğru
Yazar: Shi Yichun / Yu Xiang / Sohn Kihyuk / Chandraker Manmohan / Jain Anil K.
Gönderme süresi: 2020/2/26
Kağıt bağlantısı: https://paper.yanxishe.com/review/12830?from=leiphonecolumn_paperreview0306
Önerilen neden
Bu makale CVPR 2020 tarafından alındı ve hedef alan bilgisini kullanmadan verilen eğitim verilerinde bulunmayan büyük değişiklikleri idare edebilen derin yüz tanıma için genel bir temsil öğrenme çerçevesi önerdi. Yeni çerçeve ilk olarak eğitim verilerini bazı anlamlı anlamsal değişikliklerle (düşük çözünürlük, oklüzyon ve baş duruşu gibi) sentezler. Eğitim sürecinde, özellik yerleştirme birden çok alt yerleştirmeye bölünür ve eğitim sürecini basitleştirmek için her bir alt yerleştirmeyle farklı bir güven değeri ilişkilendirilir. Değişen sınıflandırma kaybını ve karşıt kayıpları düzenleyerek, alt yerleştirme daha da ilişkisiz hale getirilebilir. Deneyler, yeni çerçevenin LFW ve MegaFace gibi geleneksel yüz tanıma veri setlerinde en iyi performansı elde ettiğini, ancak TinyFace ve IJB-S gibi uç ölçüt setlerindeki karşılaştırma algoritmalarından önemli ölçüde daha iyi olduğunu gösteriyor.
Sıfır örnek süper çözünürlük için meta aktarım öğrenimi
Kağıt adı: Zero-Shot Süper Çözünürlük için Meta-Transfer Öğrenimi
Yazar: Soh Jae Woong / Cho Sunwoo / Cho Nam Ik
Gönderme süresi: 2020/2/27
Kağıt bağlantısı: https://paper.yanxishe.com/review/12829?from=leiphonecolumn_paperreview0306
Önerilen neden
Bu makale CVPR 2020 tarafından kabul edildi ve sıfır örneklemli süper çözünürlük sorunu olarak kabul edildi.
Önceki sıfır örnek süper çözünürlük yöntemi, binlerce gradyan güncellemesi ve uzun çıkarım süresi gerektirir. Bu makale, sıfır örneklemli süper çözünürlük için meta aktarım öğrenmeyi önermektedir. Dahili öğrenmeye uygun ortak başlangıç parametrelerini bulmaya dayalı olarak, önerilen yöntem harici ve dahili bilgileri kullanabilir ve bir gradyan güncellemesi önemli sonuçlar üretebilir, böylece verilen görüntü koşullarına hızlı bir şekilde adapte olabilir ve geniş bir görüntü yelpazesine uygulanabilir.
Önyargılı eğitime dayalı tarafsız sahne grafiği oluşturma
Kağıt adı: Önyargılı Eğitimden Tarafsız Sahne Grafiği Üretimi
Yazar: Tang Kaihua / Niu Yulei / Huang Jianqiang / Shi Jiaxin / Zhang Hanwang
Gönderme süresi: 2020/2/27
Kağıt bağlantısı: https://paper.yanxishe.com/review/12828?from=leiphonecolumn_paperreview0306
Önerilen neden
Bu makale CVPR 2020 tarafından kabul edildi ve sahne grafiği oluşturma sorununu çözmekti.
Mevcut sahne grafiği oluşturma, eğitim önyargısı ile ilgili sorunlara eğilimlidir.Örneğin, insanların sahilde yürüyüş, oturma ve uzanma gibi çeşitli davranış türleri genellikle kumsaldaki insanlar olarak sınıflandırılır. Bu makale, nedensel muhakemeye dayalı sahne grafiği üretimi için yeni bir çerçeve önermektedir. Önce nedensel bir diyagram oluşturun ve ardından geleneksel önyargılı eğitim için diyagramı kullanın ve ardından kötü önyargıdan etkiyi çıkarmak ve ortadan kaldırmak için eğitim diyagramından karşı olgusal nedensellik çizin. Sahne oluşturma kıyaslama seti Görsel Genom üzerindeki deneyler, bu makalede önerilen yöntemin önceki en iyi yöntemlere göre önemli bir gelişmeye sahip 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.
Akademisyenleri sevenlerin, makale yazarları ekibimize katılmanızı umuyoruz.
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 yazarı ekibine katılmaya hazırsanız, operasyon yapan kadının WeChat hesabını (kimlik: julylihuaijiang) ekleyebilir ve "yarı zamanlı makale yazarı" notunu yazabilirsiniz.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
