携程酒店,10分钟看完:悉尼科技大学当选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的功效与作用

频道:今日头条 日期: 浏览:140

作者丨郑哲东

校园丨悉尼科技大学

研讨方向丨行人重辨认

全球核算机视觉尖端会议 IEEE CVPR 2019 即将于六月在美国长滩举行,本届大会一共选取来自全球论文 1300 篇。CVPR 作为核算机视觉范畴等级最高的研讨会议,其选取论文代表了核算机视觉范畴在 2019 年最新和最高的科技水平以及未来开展潮流。CVPR 官网显现,本年有超越 5160 篇的大会论文投稿,选取了 1300 篇论文,比上一年增长了 32.7%(2018 年论文选取 979 篇)。

悉尼科技大学杨易教授组共有 8 篇论文被本届 CVPR 大会接纳,其间包含口头报告论文 4 篇(Oral选取率为 288/5160 = 5.58%)。 选取论文在以下范畴完成发展:行人重辨认/生成,搬迁学习,网络结构查找,图画生成,网络紧缩。

论文:https://arxiv.org/abs/1904.07223

我国好声响第一季

CVPR 19 行人重辨认

行人重辨认的难点在于不同摄像头下人的类内改变(包含摄像头的视角/光照/人的姿势等)。本文没有运用任何部件匹配的丢失,而是只是让模型去“看”更多的练习图画来提高行人重辨认的效果。而这些练习图画都是由 GAN 生成的。

比较于 ICCV 2017 时第一篇运用 GAN 来生成行人图画的文章 [1],本文不只在生成图画质量上有了大的提高,一起也将行人重辨认的模型与生成模型做了有机的结合。从行人重辨认携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果模型提取好的行人特征可以作为 GAN 的 input vector,而 GAN 生成图画可以用来 finetune 行人重辨认模型。

[1] Zheng, Zhedong, Lia隐秘而巨大ng Zheng, and Yi Yang. "Unlabeled s李玄湛amples generated by gan improve the person re-identification baseline in vitro." In ICCV 2017.

论文:https://arxiv.org/abs/1809.09478

源码:https://github.com/RoyalVane/CLAN

依据深度学习的语义切割办法效果拔尖,但需求很多的人工何不食肉糜标示丧尸围城进行监督练习。借助于核算机虚拟图画技能,如 3D 游戏,可以取得简直无限的主动标示数据。可是虚拟图画和实践图画间存在严峻的视觉差异(域偏移),导致练习出的模型在实在图王兴像数据集上的切割精度很低。

传统办法运用对立练习削减源域(S)和方针域(T)不同散布之间的差异,以加强网络在域间的泛化才能。可是该类办法只能对齐大局特征散布,疏忽了同语义特征之间的语义一致性,在练习过程中简单形成负搬迁。

针对这一难点,作者选用了 Co-training + Adversarial Training 的办法,运用两个互斥分类器,依据分类器猜测的差值来估量源域和方针域中特征的部分语义对齐程度,以此动态扯谎歌词核算针对每类特征的对立丢失权重,处理了域习惯语义切割中的语义不一致性问题和负搬迁问题。

论文:https://arxivaftvc.org/abs/1811.00250

源码:https://github.com/he-y/filter-pruning-geometric携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果-median

本文提出了新的依据滤波器的几许中心(geometric m携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果edian)的剪枝算法,来对神经网络进行紧缩和加快。现有的剪枝算法普遍以为,范数(Lp-norm)小的滤波器可以被去掉而不影响网络功能。

由此对滤波器的携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果范数有两个要求,一是滤波器范数散布的规范差要大,二是最小的范数要满意小。可是实践的经过预练习神经网络模型并不满意这两个要求,这导致一些重要的滤波器被过错地剪掉,影响了功能。

本文从几许的视点动身,以为滤波器的几许中心含有一切滤波器一起的信息,因而接近几许中心的滤波器是可以被去掉的。这种新的剪枝办法,打破了曾经的剪枝算法对滤波器范数的要求,提高了剪枝算法的习惯性和而且取得了更好的功能。

论文:https://arxiv.org/abs/1904.01310

依据文本生成图片是近年来新式的研讨范畴。当时的办法首要生成比较粗糙的初始图画,然后再优化图画然后生成高分辨率的实在图画。

可是,现在大多数办法仍存在两个问题:(1)当时办法的成果很大程序上取决于初始图画的质量。(2)每个单词关于不同的图片内容都有不同的信息量,但当时办法在两个阶段中依然坚持了相同的单词重要性,导致携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果生成的图画不能反映精确的语义信息。

在本作业中,咱们提出动态回忆生成对立网络(DM-GAN)来生成高质量的图片。咱们提出了一个动态回忆模块来优化粗糙的初始图画,即便初始图画生成不良,它也可以生成高质量的图画。DM-GAN 还包含一个依据初始图画挑选重要文本信息的回忆写入门和一个自习惯交融图片特征和文本信息的反应门,然后驱动生成的图画反映精确的文本语义信息。

咱们在 COCO 和 CUB 数据集上评价了咱们的模型。试验成果标明,携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果咱们的办法在 FID 和 IS 方针以及实在性上都超越了当时办法。

论文:https://arxi坐而论道v.org/abs/1904.01990

源码:https://github.com/zhunzhong07/ECN

在跨数据集的场景下,行人再辨认模型的性毛线球简笔画能往往会遭到极大的影响,尤其在源数据集和方针数据集差异很大的情况下。当时干流的办法首要经过下降两个数成都周边一日游据集之间的特征散布差异以提高模型对新数据集的鲁棒性。可是,这些办法疏忽了方针数据集的域内改变,这些改变中包含了影响方针域功能的重要因素。

本篇作业针对方针数据集提出了三种潜在的域内不变性(样例不苏兮与朗明变性,相机不变性和邻域不变性)。与此一起,作者提出了一个依据样例的回忆模块,使得在模型练习过程中可以有用的引进提出的三种不变性约束。试验标明,该办法在三个行人再辨认跨数据集场景下取得赤凌高铁了当时最好的成果,并大大的超越了现有的办法。

论文:https://github.com/D-X-Y/GDAS/blob/master/data/GDAS.pdf

神经网络查找(neural architecture search, NAS)是现在十分抢手而且具有挑战性的一个方向。现在大部分 NAS 办法都是依据强化学习或许遗传算法,需求耗费海量的 GPU 资源。这篇论文提出了一种运用可微网络结构采样器的依据梯度的查找办法(Gradient-based search using Differentiable Architecture Sampler,GDAS)可以有用地削减查找的GPU资源耗费。

GDAS 将意整个查找空间用一个有向无环图(DAG)来标明。针对这个 DAG,GDAS 规划了一个可微的采样器,GDAS 在练习集上优化 DAG 内每个网络结构的参数,在验证集上优化这个可微的神经网络采样器。试验标明,在一个 GPU 上,经过几个小时的查找时刻,GDAS 就可以在 CIFAR-10 数据集上找到一个高功能的网络结构。

论文:https://arxiv.org/abs/1904.03895

依据强化学习的室内导航是最近的热点问题。机器人从室内随机一点动身,依据指令抵达方针方位。因为 3D 重建的数据集比较于核算机图形学烘托的虚拟数据集收集较难而且数据量较小,这篇论文提出了一个端到端的模型十二生肖电影,经过搬迁学习的办法将虚拟数据集上的强化学习战略搬迁到实在数据集上。

论文从对立学习和仿照学习两方面,别离完成了对底层图画特征和高维强化战略的搬迁使命,并取得了比原有办法高 20% 以上的提高。

论文:https://arxiv.org/abs/190李银河1.00976

无监督域习惯旨在运用带标签源域数据和无标签方针域数据,取得在方针域数据上的优秀的猜测功能。以往的办法在消除域差异的吉祥ge过程中没有充分运用类别信息,导致对齐过错,影响泛化功能。

为了处理这些问题,这篇文章提出了新的域差异衡量方针 “比照域差异” 来描写类内和类间域差异,而且提出 “比照习惯网络” 来优化这个方针。咱们规划了新的类感知采样办法,选用替换更新的办法端到端地优化咱们的网络。咱们在两个规范数据集上取得了比现有的办法更好的功能。

#

• 稿件确系个人原创著作,来稿需注明作者个人信息(名字+校园/作业单位+学历/职位+研讨方向)携程酒店,10分钟看完:悉尼科技大学中选 CVPR 2019 的 8 篇论文,都研讨什么?,玉屏风颗粒的成效与效果

• Paper美国恐惧故事Weekly 默许每篇文章都是首发,均会增加“原创”标志

关于PaperWeekly

声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间服务钢铁魔女。
热门
最新
推荐
标签