Çoklu yörünge tahmin araştırması
VI-ReID için hiyerarşik çapraz modal yaya tanıma
3DMM yüz modeli: geçmişten bugüne ve geleceğe
U-Net'e Dayalı Üretken Tartışmalı Ağ Ayrımcısı
Görüntü açıklaması için modlar arası bilgilerin araştırılması ve damıtılması
Bildiri Başlığı: The Garden of Forking Paths: Towards Multi-Future Trajectory Predictio
Eser sahibi: Junwei Liang
Gönderme süresi: 2020/2/1
Kağıt bağlantısı: https://paper.yanxishe.com/review/13151?from=leiphonecolumn_paperreview0309
Önerilen neden
Önem:
Yörünge tahmini sorunu, mevcut AI araştırmalarında sıcak bir konudur. Buna dayanarak, bu makale, çok hedefli tahminde gelecekteki araştırmalara ve uygulamalara yardımcı olacak yolların olası dağılımının nasıl verimli ve doğru bir şekilde tahmin edileceğini incelemek için çeşitli farklı yörünge türleri kullanır.
Yenilik:
1. Gerçek dünyamızdaki yörünge verilerine dayalı bir 3B simülatör veri kümesi oluşturdu;
2. Yazar, çoklu yörünge tahmini için doğru bir şekilde kullanılabilen, Çoklu Evren olarak adlandırılan yeni bir model önermektedir.
Kağıt adı: Hi-CMD: Görünür Kızılötesi Kişi Yeniden Tanımlama için Hiyerarşik Çapraz Modalite
Yazar: Seokeon Choi
Gönderme süresi: 2020/2/1
Kağıt bağlantısı: https://paper.yanxishe.com/review/13150?from=leiphonecolumn_paperreview0309
Önerilen neden
Araştırmanın önemi: Gece video gözetimi yoluyla çapraz modal yaya tanıma, mevcut ReID yönünde zor bir noktadır ve akademik çevreden büyük ilgi görmüştür. Bu bağlamda yazar, hiyerarşik bir modlar arası yaya tanıma (Hi-CMD) yöntemi önermektedir. Yazar, bu yöntemi gerçekleştirmek için kimliği koruyan görüntü oluşturma ağı ve hiyerarşik özellik öğrenme modülünü tanıtmaktadır.Bu ağ yapısı, farklı duruşlar ve aydınlatma koşulları altında yayaların ReID görevini etkili bir şekilde çözebilir.
Makalenin yeniliği
1. Yeni bir VI-ReID yaya çapraz modal tanıma yöntemi önerin: Hi-CMD Geleneksel model yöntemiyle karşılaştırıldığında, bu model, görünür kızılötesi görüntüde kimliği ayırıcı ve kimliği hariç tutmayı ayırt eder. , Çapraz modal ve mod içi farklılıkları etkili bir şekilde azaltmak.
2. Yetersiz eğitim verisinin neden olabileceği sorunları önlemek için ID-PIG ağını kullanın.
Bildiri Başlığı: 3D Morphable Face Models - Past, Present and Future
Zuozhe: Bernhard Egger / William A.P. Smith / Ayush Tewari / Stefanie Wuhrer / Michael Zollhoefer / Thabo Beeler / Florian Bernard / Timo Bolkart / Adam Kortylewski / Sami Romdhani / Christian Theobalt / Volker Blanz / Thomas Vetter
Düzenlenme zamanı: 2019/9/3
Kağıt bağlantısı: https://paper.yanxishe.com/review/12956?from=leiphonecolumn_paperreview0309
Önerilen neden
Makale, 20 yıldan daha uzun bir süre önce önerildiğinden bu yana 3DMM yüz modelinin gelişimini ayrıntılı olarak tanıtıyor.Çok kapsamlı ve mükemmel bir inceleme makalesi.Yazar, alanında son teknoloji bir akademisyen.
20 yıldan fazla bir süredir önerilmiş olmasına rağmen, 3DMM modellerinin yapımında ve uygulanmasında yakalama, modelleme, görüntü sentezi ve analizi gibi hala birçok zorluk var. Çok aktif bir araştırma konusu.Makale, bu alanlardaki en son teknolojileri gözden geçiriyor. Sonunda, daha fazla beklenti oluşturuldu, bazı zorluklar ortaya atıldı, gelecekteki araştırmalar için bazı yönlendirmeler sağlandı ve bazı güncel ve gelecekteki uygulamalar üzerinde duruldu.
İlgili branşların öğrencilerinin ve öğretmenlerinin dikkatli bir şekilde çalışmaları şiddetle tavsiye edilir.Bu, 3DMM yüz modelleri üzerine nadir bir inceleme makalesidir.
Bildiri Başlığı: Generative Adversarial Networks için U-Net Tabanlı Bir Ayrımcı
Yazar: Schönfeld Edgar / Schiele Bernt / Khoreva Anna
Gönderme süresi: 2020/2/28
Kağıt bağlantısı: https://paper.yanxishe.com/review/12959?from=leiphonecolumn_paperreview0309
Önerilen neden
Bu makale CVPR 2020 tarafından alındı ve sentezlenen görüntünün global tutarlılığını korurken jeneratöre piksel başına ayrıntılı geri bildirim sağlayan U-Net tabanlı bir ayırıcı mimarisi önerdi. Ayrıştırıcının piksel başına tepkisi ile desteklenen bu makale ayrıca CutMix veri geliştirmeye dayalı bir piksel-piksel tutarlılık düzenleme tekniği önerir ve U-Net ayırıcıyı gerçek görüntü ile sahte görüntü arasındaki anlam ve yapıya daha fazla dikkat etmeye teşvik eder. Değişiklikler sadece U-Net ayırıcının eğitimini iyileştirmekle kalmaz, aynı zamanda üretilen örneklerin kalitesini de iyileştirir. Yeni ayırıcı, standart dağıtım ve görüntü kalitesi göstergeleri açısından mevcut teknolojiyi geliştirerek, jeneratörün küresel ve yerel gerçekçiliği korurken farklı yapı, görünüm ve ayrıntı düzeyine sahip görüntüleri sentezlemesini sağlar. BigGAN temel modeli ile karşılaştırıldığında, önerilen yöntemin FFHQ, CelebA ve COCO-Animals veri kümelerinde ortalama 2,7 FID puanı artışı vardır.
Bildiri Başlığı: Görüntü Altyazı Oluşturma için Modlar Arası Bilgileri Keşfetme ve Arıtma
Yazar: Liu Fenglin / Ren Xuancheng / Liu Yuanxin / Lei Kai / Sun Xu
Gönderme süresi: 2020/2/28
Kağıt bağlantısı: https://paper.yanxishe.com/review/12958?from=leiphonecolumn_paperreview0309
Önerilen neden
Bu yazının çözeceği şey, görüntü tanımlama görevidir.
Bu makale, görüntüyü anlamanın, ilgili alanların görsel dikkat bilgisini ve ilgili özelliklere karşılık gelen anlamsal dikkat bilgisini gerektirdiğine inanmaktadır. Etkili dikkat çekmek için, bu makale görüntü tanımlama görevlerini etkileşimli modaliteler perspektifinden araştırıyor ve orijinal bilgileri görsel ve sözlü yollarla keşfedip çıkarırken küresel ve yerel bilgi keşif ve damıtma yöntemleri önermektedir. Yeni yöntem, göze çarpan bölge gruplarının ve özniteliklerinin eşdizim bilgilerini çıkararak, küresel olarak görüntü alanı ve alt başlık bağlamına dayalı ilişki temsiline atıfta bulunur ve kelime seçimi için yerel olarak ince taneli bölgeleri ve öznitelikleri çıkarır. Bu yazıda önerilen tüm dikkat modeli, doğruluk, hız ve parametre miktarı açısından avantajları olan çevrimdışı COCO değerlendirmesinde 129.3 CIDEr puanı almıştır.
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