Çapraz modal yaya yeniden tanımlama: paylaşım ve benzersiz özellik dönüştürme algoritması cm-SSFT
GarmentGAN: Moda Göçüyle Picture Reality ile Yüzleşmek
Dokuyu giyim görüntüsünden 3D insan vücuduna aktarmayı öğrenin
Hatalara dikkat etmeyi öğrenin
MINA: Sert olmayan şekil hizalamasıyla dışbükey karışık tamsayı programlama
Kağıt adı: Paylaşılana Özgü Özellik Transferi ile Çapraz modalite Kişiyi yeniden tanımlama
Yazar: Yan Lu
Gönderme süresi: 2020/2/1
Kağıt bağlantısı: https://paper.yanxishe.com/review/13406?from=leiphonecolumn_paperreview0311
Önerilen neden
Bu makale esas olarak kızılötesi-RGB çapraz modal yaya yeniden tanıma sorununu çözmeyi amaçlamaktadır. Spesifik özellik zıt modda bulunmadığından, endüstrideki çapraz modal yaya tanıma algoritmalarının çoğu genellikle yalnızca paylaşılan özellik öğrenmeye odaklanır ve nadiren belirli özelliklere dikkat eder.Örneğin, kızılötesi görüntülerde renk bilgisi yoktur. .
Ana yenilik: Komşu bilgilerinin kullanımı: Kızılötesi sorgu verildiğinde. Renk hedeflerini ararken, önce yüksek güvenilirlikle bazı basit renk örnekleri bulabilir, ardından bu renk örneklerinin renge özgü özelliklerini kızılötesi sorguya verebilir, bu şekilde daha zor renkleri aramak için bu renk bilgilerini kullanabilirsiniz. Numunenin işlevi.
Kağıt adı: GarmentGAN: Foto-gerçekçi Tartışmalı Moda Transferi
Yazar: Amir Hossein Raffiee / Michael Sollami
Gönderme süresi: 2020/3/4
Kağıt bağlantısı: https://paper.yanxishe.com/review/13309?from=leiphonecolumn_paperreview0311
Önerilen neden
Makine öğrenimine dayalı giysi geçişi, son yıllarda bir araştırma noktası haline geldi.Sanal donanımların uygulanmasına yönelik daha gerçekçi bir çözümdür ve büyük ticari değeri ve pazar beklentileri vardır.
Genel kıyafet göçü problemi iki görevden oluşur: biri hedef bedeni giysiden ayırmayı öğrenmek, diğeri ise herhangi bir kıyafet giyen hedef bedenin yeni bir resmini oluşturmaktır. Bu makalede önerilen GarmentGAN, üretken bir yüzleşme ağına dayanan bir giysi geçiş algoritmasıdır. İki bağımsız GAN içerir: bir şekil geçiş ağı ve bir görünüm geçiş ağı. Bu iki görev, daha gerçekçi bir hedef görüntü oluşturmak için ayrı ayrı işlenir. İnsan vücudu duruşu, el duruşu ve oklüzyon iyi idare edilebilir. Yazar nihayet GarmentGAN'ı mevcut son teknoloji yöntemle kalitatif ve kantitatif olarak karşılaştırdı ve yöntemin etkinliğini kanıtladı.
Kağıt adı: Dokuyu Giyim Görüntülerinden 3B İnsanlara Aktarmayı Öğrenmek
Yazar: Aymen Mir / Thiemo Alldieck / Gerard Pons-Moll
Gönderme süresi: 2020/3/4
Kağıt bağlantısı: https://paper.yanxishe.com/review/13303?from=leiphonecolumn_paperreview0311
Önerilen neden
Bu makale CVPR2020 tarafından alınmıştır ve giysi resminin dokusundan SMPL insan vücudu modelinin 3B giysisine gerçek zamanlı otomatik geçiş önermektedir. 3D sanal uygulama için en son çözümdür. Veriler ve kod açık kaynak olacaktır ve henüz açıklanmamıştır. . Proje adresi: https://virtualhumans.mpi-inf.mpg.de/pix2surf/.
Yazar ilk olarak bir veri çifti giysi görüntüsü ve 3B dış giyim oluşturmak için sert olmayan bir 3B'den 2B'ye kayıt yöntemini kullandı.Bu yöntem çok doğru ancak çok yavaş. Daha sonra bu veri çiftlerine dayanarak yazar, sinir ağı aracılığıyla resim piksellerinin 3B giysi yüzeyine eşleştirilmesini öğrendi. Yazar deneyler yoluyla, bu yöntemin, ince plaka eğrilerine dayalı görüntü deformasyonu ve görüntüden görüntüye geçiş ağından daha doğru ve daha hızlı olduğunu gösteriyor.
Makale yöntemi yeni bir 3B sanal yerleştirme yöntemi sağlar.Etki gerçekçi ve hızlıdır (gerçek zamanlı), bu da dikkate değerdir.
Kağıt adı: Hatalara dikkat etmeyi öğrenmek
Yazar: Anonim yazarlar
Gönderme süresi: 2020/1/25
Kağıt bağlantısı: https://paper.yanxishe.com/review/13405?from=leiphonecolumn_paperreview0311
Önerilen neden
Tıbbi görüntü bölümleme görevinde odak, ilgilenilen bölgeyi temsil eden ön plan piksellerini arka plan piksellerinden algılamak ve ayırt etmektir. Şimdiye kadar, arka plan pikselleri görüntüdeki piksellerin çoğunu oluşturuyor. Bu, derin öğrenme medikal görüntü segmentasyonuna dayalı sık yanlış negatif piksel sınıflandırmasına yol açar, yani ön plandaki pikseller yanlış bir şekilde arka plan piksel kategorisine ait olarak sınıflandırılır. Yazar, bu yüksek yanlış negatif tespit oranını çözmek için yeni bir dikkat mekanizması önermektedir. Yazarın yöntemi, modeli daha yanlış pozitif saptamalar gerçekleştirmesi için yönlendirmeye çalışır, böylece eğitim verilerindeki dengesizliğin neden olduğu sınıflandırma sonuçlarındaki dengesizliği düzeltir. Önerilen dikkat mekanizması üç şekilde uygulanabilir: (1) Modeli yanlış pozitifleri tespit etmek için açık bir şekilde yönlendirin; (2) Zıt yanlış negatiflere dönerek yanlış pozitifleri örtük olarak öğrenin; (3) Çok görevli bir ortamda, yanlış pozitifleri birlikte yönlendirin Olumlu ve yanlış olumsuz öğrenme. Önerilen yöntemi doğrulamak için, yazar önerilen ağımızı zor bir görevde doğruladı: tümör çekirdeğinin segmentasyonu. BRATS 2018 eğitim verileri üzerinde 5 çapraz doğrulama gerçekleştirdikten sonra, yazarın modeli en son 9 kıyaslama modelinden daha iyidir, bunlara şunlar dahildir: uzamsal dikkat, mekansal kanal dikkati ve öz-ilgi. Yazarın üçüncü farkına varması, yanlış negatifleri% 10,4 oranında azaltırken, yanlış pozitiflerdeki artış ihmal edilebilir düzeydedir. Yazarın üçüncü önerisi de ağın Hausdorff mesafesini% 28'den fazla artırdı ve aynı zamanda IoU değerini% 3'ten fazla artırdı. Önemli performans iyileştirmesine ek olarak, önerilen dikkat mekanizması da etkili bir his yoluyla sezgisel olarak yorumlanabilir. Makale hala İnceleniyor olduğundan, anonim kalması için, makale GitHub'daki koda olan bağlantıyı gizler ve daha sonra yayınlanacaktır.
Bildiri Başlığı: MINA: Rijit Olmayan Şekil Hizalaması için Konveks Karma Tam Sayı Programlama
Yazar: Florian Bernard / Zeeshan Khan Suri / Christian Theobalt
Gönderme süresi: 2020/2/28
Kağıt bağlantısı: https://paper.yanxishe.com/review/12864?from=leiphonecolumn_paperreview0311
Önerilen neden
Şekil eşleştirme, bilgisayar görüşü ve grafikler gibi birçok alanda temel bir sorundur.Ağırlıklı olarak iki şekil arasında nasıl yazışma kurulacağını inceler.
Bu makalenin yazarı, rijit olmayan şekil eşleştirme için bir dışbükey karışık tamsayı programlama formülü önermektedir.Bu sorunu çözmek için, yazar (çoğu) pratik durumda çok etkili olabilecek, etkili bir düşük boyutlu ayrık modele dayalı bir şekil deformasyon modeli önermektedir. Global olarak en uygun çözümü kolayca bulun.
Makalenin yönteminin birçok avantajı vardır: başlangıç değerine bağlı değildir, global optimal çözüme etkili bir şekilde yakınlaşabilir, eşleştirme probleminin varyantlarıyla başa çıkmada çok esnektir, vb. Yazar, makale yönteminin mevcut seyrek şekil eşleştirme yönteminden daha üstün olduğunu ve yoğun eşleştirme algoritmasını başlatmak için kullanılabileceğini deneylerle kanıtladı.
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