Today Paper | Belirsizlik ölçümü; kenar algılama derinlik tahmini; binoküler derinlik tahmini; uyarlanabilir derinlik stereo eşleştirme, vb.
içindekiler
Derinlik bağlam farkındalığı mobil etkinlik tanıma ve bilinmeyen bağlam keşfinin belirsizlik ölçümü
StereoNet: Kılavuzlu hiyerarşik optimizasyona dayalı gerçek zamanlı kenar farkındalık derinlik tahmini
Mobil cihazlarda herhangi bir zamanda binoküler derinlik tahmini
Gerçek zamanlı uyarlanabilir derinlikli stereo eşleştirme
CNN tarafından sentezlenen görüntüler artık kolayca tanımlanabilir
Derinlik bağlam farkındalığı mobil etkinlik tanıma ve bilinmeyen bağlam keşfinin belirsizlik ölçümü
Bildiri Başlığı: Derin Bağlama Duyarlı Mobil Etkinlik Tanıma ve Bilinmeyen Bağlam Keşfi için Belirsizlik Ölçümü
Yazar: Huo Zepeng / PakBin Arash / Chen Xiaohan / Hurley Nathan / Yuan Ye / Qian Xiaoning / Wang Zhangyang / Huang Shuai / Mortazavi Bobak
Gönderme süresi: 2020/3/3
Kağıt bağlantısı: https://paper.yanxishe.com/review/13410?from=leiphonecolumn_paperreview0316
Önerilen neden
Bu makale AISTATS 2020 tarafından kabul edildi ve giyilebilir bilgi işlemde etkinlik tanıma sorunu olarak değerlendirildi.
Bu problemde, aktivite özellikleri bağlama bağlı olabilir ve zaman zaman bilinmeyen bağlamlar ve aktiviteler ortaya çıkabilir, bu da algoritmanın esnek ve uyarlanabilir olmasını gerektirir. Bu makale, insan aktivitesi tanıma performansını artırmak için maksimum entropiye dayalı belirsizlik ölçümünü birleştiren derin model - ağı adı verilen bağlama duyarlı bir hibrit model önermektedir. Yeni model, model geliştirmeye rehberlik etmek için veriye dayalı bir şekilde üst düzey bağlamı belirleyerek, doğruluğu ve F puanlarını% 10 artırıyor. Eğitim istikrarını sağlamak için bu makale, bilinmeyen bağlamlar aracılığıyla keşfin doğruluğu artırabileceğini kanıtlamak için hem genel hem de dahili veri kümelerinde küme tabanlı ön eğitimi kullanır.
StereoNet: Kılavuzlu hiyerarşik optimizasyona dayalı gerçek zamanlı kenar farkındalık derinlik tahmini
Kağıt adı: StereoNet: Gerçek Zamanlı Edge-Aware Derinlik Tahmini için Kılavuzlu Hiyerarşik İyileştirme
Yazar: Khamis Sameh / Fanello Sean / Rhemann Christoph / Kowdle Adarsh / Valentin Julien / Izadi Shahram
Düzenlenme zamanı: 2018/7/24
Kağıt bağlantısı: https://paper.yanxishe.com/review/13540?from=leiphonecolumn_paperreview0316
Önerilen neden
Bu makale, Nvidia Titan X'te 60FPS'ye ulaşabilen ilk gerçek zamanlı binoküler derinlik tahmin ağı StereoNet'i önermektedir. Yazının en önemli özelliği ağ yapısının tasarımında yatmaktadır StereoNet, 3 boyutlu evrişime dayalı bir stereo eşleştirmedir.Maliyet hacminin boyutu, ağ parametrelerinin miktarını ve çıkarım hızını belirler. Yazar, maliyet hacminin daha küçük olacak şekilde tasarlanabileceğini, ancak yine de daha fazla özellik bilgisi içerdiğini ve yalnızca daha az doğruluk kaybına sahip olacağını keşfetti. Bu şekilde, ağ önce kaba bir eşitsizlik haritası elde edebilir. Bundan sonra, yazar, artıkları tahmin etmek için aslında evrişimli ağları kullanan ve daha ayrıntılı, kenarı koruyan eşitsizlik haritalarını elde etmek için katman optimizasyonları için artıklar ve kaba eşitsizlik haritalarını kullanan hiyerarşik, kenara duyarlı rafine bir ağ tasarladı. . Bu makale, ilk gerçek zamanlı binoküler derinlik tahmini olan ECCV 2018'e dahil edilmiştir.
Mobil cihazlarda herhangi bir zamanda binoküler derinlik tahmini
Kağıt adı: Mobil Cihazlarda Her Zaman Stereo Görüntü Derinliği Tahmini
Yazar: Wang Yan / Lai Zihang / Huang Gao / Wang Brian H. / van der Maaten Laurens / Campbell Mark / Weinberger Kilian Q.
Gönderme süresi: 2018/10/26
Kağıt bağlantısı: https://paper.yanxishe.com/review/13539?from=leiphonecolumn_paperreview0316
Önerilen neden
Bu makale, mobil cihazlarda gerçek zamanlı olarak çalışabilen bir binoküler derinlik tahmin ağı önermektedir. Yazar, derin ağdaki görüntünün çözünürlüğünün ve dikkate alınması gereken maksimum eşitsizlik değerinin, binoküler derinlik tahmin ağının çıkarım hızını etkileyen iki faktör olduğunu gözlemler. Yazar buna dayanarak, farklı zaman kısıtlamaları altında farklı doğruluk derecelerine ulaşabilen çok aşamalı bir uyumsuzluk tahmin ağı AnyNet tasarladı. Ne kadar az aşama kullanılırsa, çıkarım hızı o kadar hızlı ve karşılık gelen doğruluk oranı o kadar düşük olur. AnyNet yalnızca ilk aşamadaki eşitsizliği ve yalnızca sonraki aşamalardaki artığı tahmin eder, bu da çıkarım hızını artırabilir. Yazar ayrıca, son aşamada SPNet kullanmanın daha rafine bir eşitsizlik haritası elde edebileceğini keşfetti. Bu makale, StereoNet'ten daha hızlı ve daha doğru olan ICRA 2019'da yer almaktadır.Mobil cihazlara uygulanabilir ve endüstri için daha iyi bir akademik temel sağlayabilir.
Gerçek zamanlı uyarlanabilir derinlikli stereo eşleştirme
Kağıt adı: Gerçek zamanlı, kendinden uyarlamalı derin stereo
Yazar: Tonioni Alessio / Tosi Fabio / Poggi Matteo / Mattoccia Stefano / Di Stefano Luigi
Gönderme süresi: 2018/10/12
Kağıt bağlantısı: https://paper.yanxishe.com/review/13538?from=leiphonecolumn_paperreview0316
Önerilen neden
Makale, ilk gerçek zamanlı uyarlanabilir derin stereo eşleştirme ağı MADNet'i önermektedir. Yazar, eşitsizlik kestirim ağı olarak bir şifreleme-çözme ağı tasarlamıştır.Kodlama kısmı yukarıdan aşağıya piramit yapısıdır ve şifre çözme kısmı aşağıdan yukarıya piramit yapısıdır.Her kısım 6 katmana sahiptir ve her katman farklı bir çıktıya sahiptir. Oranın öngörülen eşitsizliği. Geleneksel tam adaptasyon, denetimsiz kayıp işlevini doğrudan geri yayınlamak için kullanmaktır, ancak bu eğitim yöntemi gerçek zamanlı bir ortamda çok fazla hesaplama gerektirir. Yazar, geri yayılma için her seferinde yalnızca bir çözünürlük dalı seçmek için sezgisel bir yöntem kullanan uyarlamalı bir modülasyon modülü (MAD) tasarladı; bu, geri yayılma için tüm ağdan çok daha hızlıdır. MADNet'in eşitsizlik tahmin hızı 40FPS'ye, çevrimiçi adaptasyon hızı ise gerçek zamanlı uyarlanabilir derin ağda ilk adım olan 15FPS'ye ulaşır. Makale CVPR 2019 Oral'dır.
CNN tarafından sentezlenen görüntüler artık kolayca tanımlanabilir
Kağıt adı: CNN tarafından oluşturulan görüntüleri tespit etmek şaşırtıcı derecede kolaydır ... şimdilik
Yazar: Wang Sheng-Yu / Wang Oliver / Zhang Richard / Owens Andrew / Efros Alexei A.
Gönderme süresi: 2019/12/23
Kağıt bağlantısı: https://paper.yanxishe.com/review/13535?from=leiphonecolumn_paperreview0316
Önerilen neden
Bu makale esas olarak diğer çeşitli GAN'lar tarafından oluşturulan görüntüleri tanımlamak için tek bir GAN modelinin nasıl kullanılacağını araştırmaktadır. Çeşitli GAN'lar tarafından oluşturulan görüntülerin türüne ve hangi ağ yapısının kullanıldığına bakılmaksızın, sentetik sahte görüntüler aynı kusurlara sahiptir. Yazar ilk olarak, ForenSynths Datsets adlı büyük ölçekli bir sentetik görüntü tanımlama veritabanı oluşturmak için 11 GAN modelini kullandı. Yalnızca tek bir ProGAN modeli ile eğitim aldıktan sonra, ForenSynths üzerinde iyi bir genelleme performansı gösterebilir ve hatta yeni StyleGAN2 ve DeepFake'i geçebilir. Yazar, deneyler yoluyla, veri geliştirmenin bir işlem sonrası yöntem olduğunu ve eğitim verilerinin çeşitliliğinin başarının anahtarı olduğunu, özellikle veri iyileştirmenin, eğitimi bir ayırt edicinin iyi bir genelleme yeteneğine ve sağlamlığına sahip olmasını sağladığını göstermektedir. Bu belge CVPR 2020'ye dahil edilmiştir ve sahteciliği önleme teknolojisinin bir işaretidir. Sahtecilik ve sahteciliği önleme teknolojileri birlikte ilerleme kaydetmektedir.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
