Hong Kong Üniversitesi'nden Luo Ping ile röportaj: Derin öğrenmeyi bilgisayarla görmeye uygulayan ilk "öncü" olan Tang Xiaoou ve Wang Xiaogang'ın vesayeti altında
Lei Feng.com AI Teknolojisi İncelemesi: ICCV 2019 yaklaşık iki hafta önce sona ermiş olsa da Çinli araştırmacılar için bir "dönüm noktası" anlamına gelen uluslararası akademik zirve herkesin zihninde dalgalanmalara neden oldu.
Bu yıl da özgeçmiş alanındaki bu akademik bayramda, her zaman olduğu gibi, uzun süredir uluslararası akademik sahnede aktif olan Çinli araştırmacıların birçok eski yüzünü gördük, aynı zamanda, verimli akademik başarıları olan bazı yeni yüzler de var. Görüş hattının odak noktası.
Bunlar arasında, bu yıl ICCV'ye 7 bildiri getiren Hong Kong Üniversitesi'nden Profesör Luo Ping de var. Derin öğrenmenin CV alanına uygulanmasında birçok öncü çalışma yapmış bir araştırmacı olarak, ilgili çalışması bu alt bölümdeki araştırmacılara yabancı olmayabilir: derin öğrenmenin yayalara ilk uygulaması , Yüz bölümleme ve yüz oluşturma, ilk olarak CNN'in anlamsal bölümleme için MRF'yi çözmesini önerdi. Aynı zamanda, temel yüz çalışması hala çok görevli derin öğrenmenin temsili bir çalışmasıdır.
Bu yıl ICCV'ye hakim olan Profesör Luo Ping ve SenseTime'ın da birçok kökenleri ve kesişimleri olduğunu belirtmekte fayda var: 2011'den 2014'e kadar, doktora için çalışırken, bilgisayar görüşü alanında önde gelen iki figür olan Tang Xiaoou ve Wang Xiaogang ile çalıştı. 2016'dan 2017'ye kadar Shangtang Araştırma Enstitüsü'nü araştırma direktörü olarak ziyaret etti.
AI Technology Review, ICCV sitesinde, bu sefer getirdiği çalışma sonuçlarına dayanarak onunla sohbet etti. Sadece bu değil, aynı zamanda Profesör Luo Ping'in CV alanına derin öğrenmeyi uygulama konusundaki ilk araştırmasının fırsatı ve arka planı ve Tang Xiaoou ve Wang Xiaogang hakkında da konuştu. İki öğretmenin kariyeri üzerinde etkisi oldu.
Aşağıda, AI Technology Review ve Profesör Luo Ping arasındaki diyaloğun bir kaydı yer almaktadır:
AI Teknolojisi İncelemesi: Araştırma grubunuz bu yıl ICCV'de derin temsili öğrenme, derin kendi kendine öğrenme, çok amaçlı rakip ağlar vb. İle ilgili konularda 7 makale yayınladı. Bu makalelerden hangisi sizin için daha önemli, hangi yöntemler benimsendi ve neler elde edildi? Sonuç?
Luoping: Bu yıl ICCV'de beyazlatma ve normalleştirme yöntemleri (Değiştirilebilir Beyazlatma), yapılandırılmış arama NAS, kamera yeniden konumlandırma, giysi görüntüsü alma, gürültü etiketi kendi kendine öğrenme yöntemleri, ağ saldırıları ve savunmaları vb. İçeren 7 makale yayınladık. tema.
Daha önemli çalışmalardan biri sürekli tek yollu yapılandırılmış arama ile ilgili, diğeri ise beyazlatma ve normalleştirme ile ilgili:
-
Yapılandırılmış arama çalışmasında, DARTS'ın önceki çok yollu yöntemlerinden farklı olarak yaptığımız tek yollu NAS'dır.Bu yöntemin avantajı, hesaplama miktarının nispeten düşük olması ancak dezavantajı, ifade yeteneğinin de düşük olması, yani aranabilir olmasıdır. Daha az yapı. Bu bağlamda, evrişim işleminin sürekli türevlenebilir uzayını tanımlıyoruz, yani bazı evrişim işlemlerini, manuel olarak tanımlanmasa bile herhangi bir evrişim işlemini temsil edebilen sürekli türevlenebilir bir modül olarak modelliyoruz. Sadece ifade kabiliyetini garanti etmekle kalmaz, aynı zamanda tek bir arama turu ile daha yüksek bir arama hızını garanti eden de ifade edilebilir.
-
Diğer bir beyazlatma ve normalleştirme çalışmasına Değiştirilebilir Beyazlatma denir. Aslında özel bir beyazlatma şekli olan Batch Normalization gibi her sinir ağının normalleştirilmesi gerekir. Bu çalışmada, beyazlatma ve normalleştirmeyi birleştirdik. Tüm ağın farklı katmanları ve görüntüleri, beyazlatma ve normalleştirme yöntemlerini öğrenir. Bu çalışmanın, ileri yayılma hesaplaması ve geri yayılmanın iki aşamalı optimizasyon algoritması ile pek çok bağlantısı vardır.
AI Teknolojisi İncelemesi: Tezin tamamlanması sırasında paylaşılacak hikayeler var mı? Başka bir deyişle, hangi büyük zorluklar ve zorluklarla karşılaştınız?
Luoping: Kesinlikle zorluklar ve zorluklar var Burada öğrencilerimden birinin hikayesini paylaşabilirsiniz.Bu yılki ICCV'nin 7 makalesi arasında, bu makalelerin ilk yazarlarından ikisi o.
Lisans bölümü fiziğe odaklanmış ve doktorası yeni araştırma alanına geçmeye başlamıştır, o kadar çabuk adapte olamamıştır, ancak yeni problemleri keşfetme yeteneğine sahiptir. Örneğin, Gürültülü Etiketlerden Derin Kendi Kendine Öğrenme üzerine çalışması aslında bir yıl boyunca gerçekleştirildi, ancak bu süreçte ağ saldırıları ve savunmalar gibi başka yeni sorunlar keşfedildi. Bu iki araştırmayı aynı anda gerçekleştirdi ve ICCV 2019'da iki adet tek parça makale yayınladı.
AI Teknolojisi İncelemesi: Bu sefer ICCV'ye katılmanın temel görevleri nelerdir?
Luoping: Bence ICCV'nin bu yıl en iyi makale "SinGAN: Tek Bir Doğal Görüntüden Üretken Bir Modeli Öğrenmek" gibi bazı iyi makaleleri var. Bu makale sorgulanmış olsa da, gelecekte çok sayıda araştırmacı olacağına inanıyorum. Ekibimizin CVPR 2020'ye göndermeye hazırlandığı bir makale de dahil olmak üzere daha derinlemesine araştırma yapmak.
AI Teknolojisi İncelemesi: Bu yıl, ICCV Chinese'in makale sayısındaki performansı eskisi kadar iyi, ancak ödüllerde biraz pişmanlık var Çinli araştırmacıların bir üyesi olarak, bu konferansta Çinlilerin genel performansını nasıl değerlendiriyorsunuz?
Luoping: Çinli araştırmacıların yazdığı birçok makale var ve kalitesi de çok iyi. Örneğin, ilk en iyi kağıt adayı kazanan ("Daha Büyük Norm Daha Fazla Aktarılabilir: Denetimsiz Alan Uyarlaması için Uyarlanabilir Bir Özellik Norm Yaklaşımı") Çin ekibinden ve Kaiming'in ekibinin makalesi ("Noktada 3D Nesne Algılama için Deep Hough Oylama Clouds ") ayrıca en iyi makale için aday gösterildi.
Aynı zamanda, bu yıl ICCV Çalıştaylarının çoğu Çinliler tarafından düzenleniyor. Örneğin, bu yıl ayrıca sinir ağlarının daha derin bir seviyeden nasıl açıklanacağını keşfetmek için "İstatistiksel Derin Öğrenme" üzerine bir atölye düzenledik. Bu yıl ICCV'nin en büyük atölyelerinden biridir.
AI Teknolojisi İncelemesi: Bilgisayarla görme ve derin öğrenmede bir dizi çığır açan sonuç elde ettiniz.Örneğin 2012 yılında yayalar, yüz bölümleme ve yüz oluşturma alanlarında derin öğrenmeye başladınız. Bu yönde çalışmaya ne zaman başladınız? çalışma? O zaman, bu araştırma yönünü nasıl bir fırsat seçtiniz?
Luoping : 2011'de derin öğrenmeye başladık ve gerçekten daha erken başladı. Öğretmen Tang Xiaoou'nun ekibi, Asya'da bilgisayarla görme alanında derin öğrenme araştırması yapan ilk ekip olarak kabul edilebilir. Başlangıçta yaptığım şey, 2014'te GAN'ın önerdiğinden çok daha erken olan yüz oluşturma idi. 2011'deki ilk işim, bir profil görüntüsünü doğrudan bir ön yüz görüntüsüne geri yüklemekti.
Öğretmen Ouyang Wanli ve ben, Teacher Tangın grubunda derin öğrenme yapan ilk iki kişiydik. Biri Teacher Tangın Bilgi Mühendisliği Bölümündeydi, diğeri Öğretmen Wang Xiaogangın Elektronik Mühendisliği Bölümündeydik. Yani bir departman derin öğrenmeye başladı. O zamanlar sadece ikimiz deniyorduk çünkü kimse derin öğrenmenin ne olduğunu ve ne yapabileceğini bilmiyordu.
Başlangıçta evrişimli sinir ağlarını kullanmaya çalışmadık çünkü herkes evrişimli sinir ağlarına dikkat etmeye başladı, aslında 2012 ImageNet yarışmasında büyük bir başarının peşindeydi. En erken zamanda Boltzmann makinesi gibi bazı modelleri kullandık ve bu modelin yüz oluşturma ve yüz segmentasyonu üzerinde iyi bir etkisi var.O zaman, tüm ekip yavaş yavaş bunun bir Çok umut verici araştırma yönü.
İlginç bir şekilde, 2014 yılında NIPS'de (daha sonra NerulPS olarak yeniden adlandırıldı) yayınladığımız çalışma, yüz oluşturma çalışmasıdır, yani ağ herhangi bir açının yüzünü ve herhangi bir açının çıktı yüzünü girebilir ve GAN da 2014 yılında piyasaya sürüldü .
Son yıllarda, kişisel odak noktam yavaş yavaş, beyazlatma ve normalleştirme gibi bazı temel derin sinir ağlarının öğrenilmesine ve analizine ve temel işlemlerin sürekli farklılaştırılabilir alanlarını oluşturarak tek yollu ağ yapılandırılmış aramayı geliştirmeye kaydı.
AI Teknolojisi İncelemesi: Doktora döneminiz boyunca, Profesör Tang Xiaoou ve Wang Xiaogang'dan öğrendiniz İki öğretmenin araştırma kariyeriniz üzerindeki etkisini nasıl değerlendiriyorsunuz?
Luoping: Doktora danışmanlarım Öğretmen Tang Xiaoou ve Öğretmen Wang Xiaogang'dı. Tezin konu seçiminden deneye ve yazı stiline kadar üzerimdeki etkileri çok büyüktü. Başlangıçta gelişmek için öğrenmem ve taklit etmem gerekiyordu.
Daha sonra CVPR ve ICML gibi birçok farklı konferansa katıldım.Farklı tarzlarda pek çok makale okuyabilirim.Sürekli öğrenme sayesinde yavaş yavaş kendi tarzımı geliştirdim.Örneğin, ekibimiz yakın zamanda ICLR2019'da 2 makale yayınladı. , ICML2019'da yayınlanan 1 makale, kademeli olarak şekillendirdiğimiz tarzımızı ve araştırma yönümüzü yansıtabilir.
Sonuç olarak, Öğretmen Tang ve Öğretmen Wang'ın etkisini özetlemek için "minnettar" kelimesini kullanabilirim.
AI Teknolojisi İncelemesi: 5 yılda 70'ten fazla makale yayınladığınızı ve Google Akademik'in 8.000'den fazla alıntı yaptığını anlıyorum. Verimli akademik sonuçları olan genç bir araştırmacı olarak, akademik makaleler açısından bakıldığında, diğer genç araştırmacılarla hangi deneyimi veya metodolojiyi paylaşabilirsiniz? Bu mu?
Luoping: Bazı öğrenciler için bir tavsiyeden bahsetmek istiyorum: kolayca bulunabilen bazı meyveleri toplamamaya çalışın.
Bazı araştırma çalışmaları, nispeten olgun meyveler vermiş ve nispeten düşük bir konumda büyümüş olabilir. Öğrenciler bunları kolayca seçebilirler. Ancak, bu tür makaleler yayınlansa bile, büyük bir etkisi olmayacak ve şimdi öğrenciler yayınlıyor Makale sayısı artıyor. Örneğin, doktora adaylarını kabul ettiğimizde, yalnızca en üst toplantıda yayınlanan makale sayısına bakmayacağız, aynı zamanda gerçek araştırma sonuçlarına da başvuracağız - örneğin, makalelerdeki araştırma problemlerinin yeterli olup olmadığı Sorun, konu seçiminin çeşitli olup olmadığı ve yöntemin yeterince yenilikçi olup olmadığı.
Son olarak, Profesör Luo Ping'in ICCV2019'a dahil ettiği 7 makaleye kısa bir giriş ekliyorum:
1. Görme Destekli Derin Ses Boyaması
Makalenin özeti: Etkileşimli zekanın gelişmesi için "multimodal algı" esastır. Luo Pingping'in çalışmasında, eksik ses kliplerini onarmak için eşlik eden video bilgilerini kullanmak olan yeni bir görev önerdiler.
Yazar, iki temel konuya dikkat çekiyor: (1) Orijinal ses yerine spektrogramı çalıştırmak gerekiyor, ancak bu şekilde derin anlamsal görüntü restorasyonundaki en son gelişmelerden daha iyi yararlanabilir ve geleneksel ses restorasyonunu aşabiliriz. (2) Video tarafından yönlendirilen sesi sentezlemek istiyorsanız, ses ve görüntünün ortak özelliklerini elde etmek için ses ve videoyu aynı anda öğrenmeniz gerekir.
Yazar, büyük ölçekli araştırmayı kolaylaştırmak için yeni bir çok modlu enstrüman performans veri seti MUSIC-ExtraSolo (MUSICES) topladı. Çok sayıda deney aracılığıyla, yazar tarafından önerilen çerçevenin gerçekçi ve değişken ses kliplerini görsel bir ortam olsun veya olmasın onarabileceğini gösteriyorlar. Daha da önemlisi, sentezlenen ses klipleri video kliplerle tutarlıdır. Şu anda kod, veri seti ve sonuçlar kamuoyuna açıklandı.
-
Kaynak bağlantısı: https://hangz-nju-cuhk.github.io/projects/AudioInpainting
2. Bir Kez ADAM: Bir Kez Çok Hedefli Çekişmeli Ağı Öğrenerek Çok Hedefli Saldırıya Doğru
Makalenin Özeti: Modern derin sinir ağları genellikle rakip örneklerden gelen saldırılara karşı savunmasızdır.İlk optimizasyona dayalı saldırı yöntemi önerildiği için, saldırı performansını ve hızını iyileştirmek için bir dizi yöntem daha sonra önerildi. Son yıllarda, nesile dayalı yöntemler, rakip örnekleri oluşturmak için doğrudan ileri beslemeli ağları kullandıkları ve böylece optimizasyon tabanlı ve gradyan tabanlı yöntemlerde zaman alan yinelemeli saldırı sürecini önledikleri için yaygın bir ilgi görmüştür. Ancak, mevcut nesil tabanlı yöntemler, bir modeldeki yalnızca belirli bir hedefe (veya kategoriye) saldırabilir ve genellikle yüzlerce veya binlerce kategoriye sahip gerçek sınıflandırma sistemleri için uygun değildir.
Bu makalede yazar, çok hedefli düşmanlık örnekleri oluşturmak için tek bir model kullanabilen Çok Hedefli Çekişmeli Ağ (MAN) önermektedir. Model, belirtilen kategori bilgilerini ara özelliklerle birleştirerek, çalışma sırasında hedef sınıflandırma modelinin herhangi bir kategorisine saldırabilir.
Deneyler, önerilen MAN modelinin hem çok hedefli saldırı görevlerinde hem de tek hedefli saldırı görevlerinde önceki son teknoloji yöntemlere göre daha güçlü saldırı etkileri üretebileceğini ve daha iyi aktarılabilirliğe sahip olduğunu göstermektedir. Yazar ayrıca, sınıflandırma modelinin sağlamlığını geliştirmek için MAN tarafından oluşturulan rakip örnekleri kullanıyor. Çeşitli yöntemlerle saldırıya uğradığında, diğer yöntemlere göre daha iyi sınıflandırma doğruluğu da elde edebilir.
3. Derin Temsil Öğrenimi için Değiştirilebilir Beyazlatma
Makalenin özeti: Normalleştirme yöntemi, Convolutional Neural Network'ün (CNN) temel parçasıdır. Verileri normalleştirmek veya beyazlatmak için önceden tanımlanmış bir piksel setinde tahmin edilen istatistiksel verileri kullanırlar. Yazar, belirli görevler için normalleştirme tekniklerini tasarlama çalışmasından farklı olarak, farklı beyazlatma yöntemlerini ve standartlaştırılmış yöntemleri birleştirmenin ortak bir biçimini sağlayan Değiştirilebilir Beyazlatma (SW) önerir.
SW, bu işlemler arasında uçtan uca geçiş yapmayı öğrenir. Birkaç avantajı vardır:
-
Her şeyden önce, SW, farklı görevler için uygun beyazlatmayı veya standartlaştırılmış istatistikleri uyarlamalı olarak seçer, bu da onu manuel tasarım olmadan çok çeşitli görevler için çok uygun hale getirir.
-
İkinci olarak, farklı standartlaştırılmış araçların avantajlarını entegre ederek, SW, çeşitli zorlu kıyaslama testlerinde benzer ürünlere kıyasla sürekli gelişme göstermiştir.
-
Üçüncüsü, SW, beyazlatma ve standardizasyonun teknik özelliklerini anlamak için yararlı bir araçtır.
Makalede yazar ayrıca SW'nin görüntü sınıflandırma (CIFAR-10/100, ImageNet), anlamsal bölümleme (ADE20K, Cityscapes), alan uyarlaması (GTA5, Cityscapes) ve görüntü stili dönüştürme (COCO) gibi diğer alternatiflerden üstün olduğunu kanıtladı. Örneğin, çanların ve ıslıkların yokluğunda, ADE20K veri setinde% 45.33 mIoU performansı elde edilebilir.
Kod herkese açık hale getirildi: https://github.com/XingangPan/Switchable-Whitening
4. CamNet: Kameranın Yeniden Yerelleştirilmesi için Genelden İnce Geri Alma
Özet: Robotik ve otonom sürüş gibi uygulamalarda kameranın yeniden konumlandırılması önemli ve zorlu bir görevdir. Son zamanlarda, geri getirmeye dayalı yöntemler umut verici bir yön olarak kabul edildi çünkü kolayca yeni senaryolara genişletilebilirler. Yazarlar bu yazıda, geri alma modülü nedeniyle önceki yöntemin performansında bir darboğaz bulduklarından bahsetmişlerdir. Bu yöntemler, geri alma ve göreli poz regresyon görevleri için aynı özellikleri kullanır ve bu da öğrenmede çatışabilir.
Yazar, bu amaçla, genelden inceye erişime dayalı bir derin öğrenme çerçevesi önermektedir. Çerçeve üç adımı içerir: 1) görüntülere dayalı olarak kabaca geri alma; 2) Duruşa dayalı olarak hassas erişim; 3) doğru göreceli postür regresyonu.
Bu iyi tasarlanmış geri alma modülünü kullanarak, göreceli poz regresyonu görevi oldukça basit olabilir. Yazar, göreli poz regresyon görevlerine uygun örnekleri bulmak için toplu sabit örnekleme kriterleri ve iki aşamalı geri alma ile yeni bir geri alma kaybı tasarladı. Çok sayıda deney, bu modelin (CamNet) hem iç hem de dış veri setlerinde en son yöntemlerden çok daha iyi olduğunu göstermektedir.
5. Benzerlik Piramidi Üzerindeki Grafik Akıl Yürütme Ağları Üzerinden Modaya Erişim
Kağıt Özeti: Müşterilerden ve çevrimiçi mağazalardan gelen eşleşen giyim resimlerinin e-ticarette zengin uygulamaları vardır. Mevcut algoritmalar, görüntüyü bir global özellik vektörü olarak kodlar ve geri alma için global gösterimi kullanır. Bununla birlikte, giysilerle ilgili ayrımcı yerel bilgiler bu küresel temsilin içine girerek düşük performansa neden oluyor.
Küresel benzerlik ve benzerlik piramitlerini karşılaştırmak için grafik muhakeme kullanın
Yazar, bu sorunu çözmek için, sorgu ve galeri arasındaki benzerliği öğrenmek için çok ölçekli küresel ve yerel temsiller kullanan benzerlik piramitlerine dayalı yeni bir grafik teorisi ağı (GRNet) önermektedir. Benzerlik piramidi, düğümlerin farklı oranlardaki giysi bileşenleri arasındaki benzerliği temsil ettiği bir benzerlik grafiği ile temsil edilir ve nihai eşleştirme puanı, kenar boyunca iletilen mesajlarla elde edilir.
GRNet'te, grafik çıkarımı, grafik evrişimli ağ eğitimi ile çözülür, böylece belirgin garnitür bileşenleri, giysi erişimini iyileştirmek için hizalanabilir. Yazar, gelecekteki araştırmaları kolaylaştırmak için, sınırlayıcı kutular, görünümler, kapatma ve kırpma için zengin ek açıklamalar içeren yeni bir kıyaslama olan FindFashion'ı tanıttı.
Deneyler, GRNet'in iki zorlu karşılaştırmada en son sonuçları elde ettiğini gösteriyor; örneğin, DeepFashion'ın ilk 1, ilk 20 ve ilk 50'nin% 26,% 64 ve% 75'inin doğruluğunu artırıyor (mutlak gelişme Oranlar sırasıyla% 4,% 10 ve% 10'dur), bu da büyük marjlar açısından rakiplerden üstündür. FindFashion'da GRNet, tüm deneyim ayarlarında önemli iyileştirmeler yaptı.
6. Gruplanabilir Evrişimli Sinir Ağları aracılığıyla Gruptan Farklılaştırılabilir Öğrenme Kanalları
Makalenin Özeti: Gruplanmış evrişim, ConvNets kanallarını birkaç gruba ayırır.Geleneksel evrişim işlemleriyle karşılaştırıldığında, dikkate değer gelişmeler elde etmiştir. Bununla birlikte, mevcut modeller (ResNeXt gibi) optimumun altında performans sorununa sahiptir çünkü manuel olarak tanımlanan grupların sayısı tüm katmanlarda sabittir.
Mavi dairenin girdi ve çıktıyı ve çizginin aralarındaki bağlantıyı temsil ettiği farklı evrişim stratejileri.
Yazar, bu sorunu çözmek için, grup sayısını uçtan uca öğrenebilen yeni bir dinamik gruplanmış evrişim (DGConv) işlemi kullanılarak oluşturulmuş gruplanabilir bir evrişimli ağ (GroupNet) önermektedir. Bu yöntemin birçok avantajı vardır: (1) DGConv birleşik bir evrişim gösterimi sağlar ve geleneksel yoğun evrişim, grup evrişimi ve derin evrişim gibi birçok mevcut evrişim işlemini kapsar; (2) DGConv Eğitim verilerinden çeşitli evrişimler gerçekleştirmeyi öğrenebilen, ayırt edilebilir ve esnek bir işlem; (3) DGConv tarafından eğitilen GroupNet, farklı evrişimli katmanlar için farklı sayıda grup öğrenir.
Deneyler, GroupNet'in doğruluk ve hesaplama karmaşıklığı açısından ResNet ve ResNeXt'ten üstün olduğunu göstermektedir. Yazar ayrıca ilk kez iç gözlem ve tekrarlanabilirlik çalışmaları gerçekleştirerek eğitim gruplarının sayısının öğrenme dinamiklerini ortaya koydu.
7. Gürültülü Etiketlerden Derin Kendi Kendine Öğrenme
Kağıt Özeti: ConvNets, temiz verilerden eğitim alırken iyi sonuçlar elde edebilir, ancak gürültülü etiketlerden öğrenmek performansı büyük ölçüde azaltacaktır. Bu sorun yine de zorlu bir sorundur.
Birçok koşula tabi olan önceki çalışmalardan farklı olarak (örneğin, modelin gerçek gürültü durumlarında kullanılmasına izin verme), bu makaledeki çalışma, ek denetim olmaksızın gerçek gürültü veri setleri üzerinde eğitilebilecek yeni bir derin kendi kendine öğrenme çerçevesi önermektedir. Güçlü ağ.
Bu makalede önerilen yöntemin birçok çekici faydası vardır: (1) Mevcut çalışmaların çoğunun aksine, gürültü etiketlerinin dağıtımı hakkında herhangi bir varsayıma dayanmaz, bu da onu gerçek gürültüye karşı sağlam kılar; (2) Hayır Eğitime yardımcı olmak için ek temiz denetim veya yardımcı ağ gereklidir; (3) Ağı yinelemeli uçtan uca eğitmek için çok etkili ve verimli bir kendi kendine öğrenme çerçevesi önerilmiştir.
Zorlayıcı karşılaştırmalar (Clothing1M ve Food101-N gibi) üzerine yapılan deneyler, bu yöntemin tüm ampirik bağlamlarda benzer yöntemlerden daha iyi performans gösterdiğini göstermiştir.
İlgili kağıt indirmesi, Profesör Luo Ping'in kişisel ana sayfasını ziyaret edebilirsiniz:
Leifeng.com Yıllık Seçimi 19 büyük sektörde en iyi yapay zeka iniş uygulamalarını arıyor
2017'de kurulan "En İyi AI Nuggets Vakalarının Yıllık Listesi", sektörün ilk AI iş vaka seçimi etkinliğidir. Ticari boyuttan başlayarak, Leifeng.com çeşitli sektörlerde en iyi yapay zeka uygulamalarını arıyor.
Üçüncü seçim resmi olarak başlatıldı. Kayda katılmak için WeChat genel hesabı "Leifeng.com" u izleyin ve "liste" anahtar kelimesini yanıtlayın. Ayrıntılar için lütfen WeChat ID ile iletişime geçin: xqxq_xq
