Pour vous aider à apprendre mieux jeune recherche universitaire et la technologie de pointe, une partie lourde AI Yanxishe lancé aujourd'hui [Livre], à la fois pour la référence académique pour vous tous les jours, vous apprendrez au sujet de la sélection de pointe intelligence artificielle. Ce qui suit est une sélection d'aujourd'hui contenu -
annuaire
-
Walker navigation inertielle basée sur la profondeur de l'apprentissage: méthodes, dispositifs de collecte de données et le raisonnement
-
domaine multisource vision adaptative pour la classification de sentiment
-
Améliorer la performance de l'apprentissage petit échantillon de la surveillance par la caractérisation multi-échelle
-
La recherche du droit d'utiliser l'architecture neuronale de la valeur de la part est vraiment efficace, fiable?
-
Matage image naturelle en attirant l'attention au contexte
Walker navigation inertielle basée sur la profondeur de l'apprentissage: méthodes, dispositifs de collecte de données et le raisonnement
Titre de la thèse: base profonde apprentissage piétons: Méthodes de navigation inertielle, DataSet et sur l'appareil Inference
Auteur: Chen Changhao / Zhao Peijun / Lu Chris Xiaoxuan / Wang Wei / Markham Andrew / Trigoni Niki
Publié: 13/01/2020
Documents lien: https //Paper.yanxishe.com/review/8987 de = :? leiphonecolumn_paperreview0117
Raison recommandée: Ce document tente d'étudier davantage la profondeur de la recherche appliquée dans la navigation inertielle.
Une unité de mesure inertielle sont largement déployés sur le dispositif à puce et le robot mobile. Dans l'émergence Internet des objets, l'utilisation des données inertielles pour obtenir le soutien de la navigation piétonne précise et fiable est un service important. Ces dernières années, l'utilisation de la perception de la profondeur de traitement du réseau de neurones et de l'action coordonnée estimation devient progressivement populaire. Cependant, le manque de formation adéquate et des données d'annotation pour évaluer le modèle de base devient limitant cette application. La contribution de cet article est de proposer un nouvel ensemble de données appelé Oxford inertielle Odométrie Dataset (OxIOD), qui est la première navigation inertielle pour les ensembles de données de recherche d'apprentissage en profondeur dans chaque séquence doit affiner une bonne information sur l'étiquette. De plus, afin d'assurer un raisonnement plus efficace sur le calcul de bord, ce document propose également un nouveau cadre léger, l'apprentissage et la reconstruction des voies piétonnes à partir des données de IMU d'origine. Les expériences montrent que la méthode proposée permet à un ensemble de données et un piéton précise des informations de navigation par inertie sur les dispositifs à ressources limitées.
domaine multisource vision adaptative pour la classification de sentiment
Titre de la thèse: multi-sources Adaptation Domaine de classification Visual Sentiment
Auteur: Lin Chuang / Zhao Sicheng / Meng Lei / Chua Tat-Seng
Publié: 12/01/2020
Documents lien: https //Paper.yanxishe.com/review/8988 de = :? leiphonecolumn_paperreview0117
Cet article examine le problème de classification du sentiment visuel.
Adaptive méthodes visuelles existantes tâche de classification de sentiment est généralement pour une scène unique source. Dans ce scénario, après l'achèvement du modèle d'apprentissage de toutes les délimitations une bonne source de données sur le terrain, se déplacer seulement à une apparence plus détendue marqués ou étiquetés données sur le terrain non-cibles. En pratique, cependant, le champ des données à partir d'une seule source est généralement une capacité limitée, il est difficile de couvrir toutes les caractéristiques de la zone cible. Pour résoudre ce problème, ce document présente une nouvelle méthode multi-adaptatif appelé émotions multi-sources générés contre le domaine source de réseau, pour le traitement de la classification de sentiment visuel. Pour des données de processus à partir de domaines multiples sources, le nouveau modèle d'ici la fin du cycle contre la même étude, apprendre à trouver un espace potentiel émotionnel unifié, les données de la source et les domaines cibles partageant une distribution similaire dans l'espace. Les expériences montrent que, dans les quatre ensembles de données de référence sur les tâches de classification de sentiment, le nouveau modèle présenté dans cet article a été nettement meilleur que le meilleur modèle actuel.
Améliorer la performance de l'apprentissage petit échantillon de la surveillance par la caractérisation multi-échelle
Titre de la thèse: Apprentissage peu-shot avec l'auto-surveillance multi-échelle
Auteur: Zhang Hongguang / Torr Philip H. S. / Koniusz Piotr
Publié: 06/01/2020
Documents lien: https //Paper.yanxishe.com/review/9112 de = :? leiphonecolumn_paperreview0117
raison recommandée
Depuis la profondeur de l'apprentissage populaire, nécessite beaucoup de données, cette fonction a souvent été accusé d'avoir, mais il a été noté que l'intelligence humaine ne nécessite que peu ou même un échantillon, vous pouvez apprendre une tâche ou un concept - c'est un petit échantillon d'étude, de nombreux chercheurs qui font des efforts dans ce sens. Récemment, le « second ordre mis en commun » (mise en commun de second ordre) approche a bien fonctionné dans de petits échantillons résultats de l'étude, principalement parce que l'opération de polymérisation n'a pas besoin d'apporter des modifications au réseau CNN peut gérer une variété d'images résolution, tandis qu'un représentant de trouver des caractéristiques communes.
Cependant, l'apprentissage quand utiliser chaque résolution d'image est non seulement une meilleure façon (même si l'ensemble de la résolution du jeu de données de toutes les images sont toutes différentes), parce que le contenu de chaque image est comparée à la taille de l'épaisseur de l'ensemble de l'image non fixé, par le fait que l'effet combiné du contenu lui-même et l'image de l'étiquette, par exemple, une classification commune des catégories d'objets plus dépendant de l'apparence générale de la forme et la classification d'objets à grains fins repose plus sur le modèle de texture d'image locale. De même, la déconvolution d'image, super résolution, les tâches de reconnaissance d'objets ont introduit le concept de représentation multi-échelle, pour mieux traiter une classification différente de la taille des particules.
Les auteurs de cet article était d'essayer d'introduire une étude petit échantillon de caractérisation multi-échelle. Leur principale difficulté à surmonter est d'éviter la caractérisation multi-échelle en utilisant des méthodes standards deviennent trop complexes. Leur approche est de concevoir un nouveau type de réseau multi-échelle des relations sur la base du second ordre de la piscine sur la propriété, l'étude a utilisé un petit échantillon une relation d'image de prédiction. Les auteurs ont également conçu une série de méthodes pour optimiser les performances du modèle. Finalement, ils apprennent dans deux ensembles de données de petits échantillons sont rafraîchies, les meilleurs résultats.
La recherche du droit d'utiliser l'architecture neuronale de la valeur de la part est vraiment efficace, fiable?
Titre de la thèse: Deeper Insights en partage des poids dans Neural architecture Recherche
Auteur: Zhang Yuge / Lin Zejun / Jiang Junyang / Zhang Quanlu / Wang Yujing / Xue Hui / Zhang Chen / Yang Yaming
Publié: 06/01/2020
Documents lien: https: //paper.yanxishe.com/review/9111 de = leiphonecolumn_paperreview0117?
raison recommandée
Rechercher une architecture de réseau de neurones (NAS) est d'apprendre la profondeur de l'automatisation, une bonne façon d'obtenir le meilleur modèle sur la tâche spécifiée. Mais le problème est aussi évidente structure du modèle NAS nécessite une mise à jour itérative, chaque mise à jour de la structure doivent également passer par une formation pour apprendre comment se comporter, donc à partir de zéro NAS de consommation d'énergie et de temps.
Récemment, certaines études avec mode poids partage, gain de temps d'évaluer la performance structurelle, et plus précisément, la part de poids est d'abord obtenir la propriété de la valeur d'un grand réseau, puis de simplifier dans un grand réseau, basé sur un petit réseau, directement correspondant la valeur de poids. Mais cette approche ne résulte pas d'une preuve théorique rigoureuse, sur l'utilisation réelle n'a pas été bien étudiée.
Ce poids de papier sur la méthode existante de partager une étude expérimentale détaillée, les auteurs ont constaté que 1, il y a une énorme différence de performance entre la source modèle légèrement différent, 2, même si l'enfant a une performance entre les réseaux très différent de la formation des grands réseaux sont également d'une grande valeur, 3, interférences entre les différents sous-modèles est une cause importante de la différence de performance, 4, appropriée pour réduire le degré de poids partagés peuvent réduire efficacement la volatilité des performances, d'améliorer les performances
Matage image naturelle en attirant l'attention au contexte
Titre de la thèse: Natural Image matage par contextuelle guidée Attention
Auteur: Li Yaoyi / Lu Hongtao
Publié: 13/01/2020
Documents lien: https //Paper.yanxishe.com/review/8989 de = :? leiphonecolumn_paperreview0117
raison recommandée
Cet article examine la question du tapis d'image naturelle.
Fait des progrès significatifs dans les images naturelles clavetage aspects de la méthode (matifiant d'image naturelle) de la profondeur de l'apprentissage. Inspiré par le succès des méthodes et des mécanismes affinitaires de contexte d'attention, cet article a mis au point une nouvelle méthode pour les directives d'utilisation finale contexte module d'attention. Le contexte des lignes directrices sera basée sur l'attention du module d'apprentissage à la diffusion de l'information liée à faible niveau supérieur d'informations opaques directement dans la portée globale. La nouvelle méthode peut être basée sur le flux riche en fonctionnalités à des méthodes d'affinité Imiter, tout en utilisant la profondeur appris réseau de neurones. Les résultats expérimentaux sur l'ensemble de test et des ensembles de données de référence Composition-1k Alphamatting.com montrent que la nouvelle méthode avant la dernière méthode proposée dans cet article est supérieur en termes de nattes d'images naturelles.
Les auteurs équipe recrutée
Afin de mieux servir notre section jeunesse AI, AI Yanxishe officiellement lancé un nouveau « papiers » dans l'espoir que « point d'intérêt », comme une jeunesse étudiante papier de polymérisation AI, recommandé par des documents de tri, critiques interprètent le code à reproduire. Pour devenir l'apprentissage de pointe à la maison et à l'étranger pour discuter des résultats de recherche et a publié un lieu de rassemblement, mais aussi à l'excellente recherche plus largement répandue et reconnue.
Nous espérons que vous aimez les milieux universitaires, les auteurs peuvent se joindre à notre équipe.
L'équipe auteurs vous pouvez obtenir
1. Département de l'article avec votre nom, vous combattrez la plus brillante étoile académique
2. Les droits lucratifs
Interpoler 3.ai entreprises célèbres, le bien-être des billets Assemblée, souvenirs, etc., etc. exclusivité dans.
Joignez-vous à l'équipe des auteurs dont vous avez besoin:
1. Est-ce que vous aimez le papier recommandé à la majorité des Rotariens Yanxishe
2. Compose documents de lecture
Si vous êtes prêt à rejoindre l'équipe à temps partiel AI Yanxishe des auteurs du papier, vous pouvez ajouter la petite soeur de micro-opérations, notes « partie de la thèse »
Lei Feng Lei Feng Lei réseau de réseau de réseau Feng