在线观看www成人影院-在线观看www日本免费网站-在线观看www视频-在线观看操-欧美18在线-欧美1级

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

騰訊優圖10篇論文入選人工智能頂級會議AAAI

倩倩 ? 來源:環球網 ? 2020-01-05 07:10 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

人工智能領域的國際頂級會議AAAI 2020將于2月7日-2月12日在美國紐約舉辦。近年來隨著人工智能的興起,AAAI每年舉辦的學術會議也變得越來越火熱,每年都吸引了大量來自學術界、產業界的研究員、開發者投稿、參會。

以AAAI2019為例,論文提交數量高達7745篇,創下當年AAAI歷史新高。和其他頂會一樣,AAAI 2020顯得更為火熱,大會官方發送的通知郵件顯示,最終收到有效論文8800篇,接收1591篇,接受率僅為20.6%。

作為人工智能領域最悠久、涵蓋內容最廣泛的學術會議之一,會議的論文內容涉及AI和機器學習所有領域,關注的傳統主題包括但不限于自然語言處理、深度學習等,同時大會還關注跨技術領域主題,如AI+行業應用等。

此次騰訊優圖實驗室共計入選10篇論文,涉及速算批改、視頻識別等。

以下為具體解讀

1.從時間和語義層面重新思考時間域融合用于基于視頻的行人重識別(Oral)

Rethinking Temporal Fusion for Video-basedPerson Re-identification on Semantic and Time Aspect (Oral)

關鍵詞:行人重識別、時間和語義、時間融合

下載鏈接:https://arxiv.org/abs/1911.12512

近年來對行人重識別(ReID)領域的研究不斷深入,越來越多的研究者開始關注基于整段視頻信息的聚合,來獲取人體特征的方法。然而,現有人員重識別方法,忽視了卷積神經網絡在不同深度上提取信息在語義層面的差別,因此可能造成最終獲取的視頻特征表征能力的不足。此外,傳統方法在提取視頻特征時沒有考慮到幀間的關系,導致時序融合形成視頻特征時的信息冗余,和以此帶來的對關鍵信息的稀釋。

為了解決這些問題,本文提出了一種新穎、通用的時序融合框架,同時在語義層面和時序層面上對幀信息進行聚合。在語義層面上,本文使用多階段聚合網絡在多個語義層面上對視頻信息進行提取,使得最終獲取的特征更全面地表征視頻信息。而在時間層面上,本文對現有的幀內注意力機制進行了改進,加入幀間注意力模塊,通過考慮幀間關系來有效降低時序融合中的信息冗余。

實驗結果顯示本文的方法能有效提升基于視頻的行人識別準確度,達到目前最佳的性能。

2.速算批改中的帶結構文本識別

Accurate Structured-Text Spotting forArithmetical Exercise Correction

關鍵字:速算批改,算式檢測與識別

對于中小學教師而言,數學作業批改一直是一項勞動密集型任務,為了減輕教師的負擔,本文提出算術作業檢查器,一個自動評估圖像上所有算術表達式正誤的系統。其主要挑戰是,算術表達式往往是由具有特殊格式(例如,多行式,分數式)的印刷文本和手寫文本所混合組成的。面臨這個挑戰,傳統的速算批改方案在實際業務中暴露出了許多問題。本文在算式檢測和識別兩方面,針對實際問題提出了解決方案。針對算式檢測中出現的非法算式候選問題,文中在無需錨框的檢測方法CenterNet的基礎上,進一步設計了橫向邊緣聚焦的損失函數。CenterNet通過捕捉對象的兩個邊角位置來定位算式對象,同時學習對象內部的信息作為補充,避免生成 ”中空“的對象,在算式檢測任務上具有較好的適性。橫向邊緣聚焦的損失函數進一步把損失更新的關注點放在更易產生、更難定位的算式左右邊緣上,避免產生合理卻不合法的算式候選。該方法在檢測召回率和準確率上都有較為明顯的提升。在算式識別框方面,為避免無意義的上下文信息干擾識別結果,文中提出基于上下文門函數的識別方法。該方法利用一個門函數來均衡圖像表征和上下文信息的輸入權重,迫使識別模型更多地學習圖像表征,從而避免無意義的上下文信息干擾識別結果。

3. 基于稠密邊界生成器的時序動作提名的快速學習

Fast Learning of Temporal Action Proposal via Dense Boundary Generator

關鍵詞:DBG動作檢測法、算法框架、開源

下載鏈接:https://arxiv.org/abs/1911.04127

視頻動作檢測技術是精彩視頻集錦、視頻字幕生成、動作識別等任務的基礎,隨著互聯網的飛速發展,在產業界中得到越來越廣泛地應用,而互聯網場景視頻內容的多樣性也對技術提出了很多的挑戰,如視頻場景復雜、動作長度差異較大等。

針對這些挑戰,本文針對DBG動作檢測算法,提出3點創新:

(1)提出一種快速的、端到端的稠密邊界動作生成器(Dense Boundary Generator,DBG)。該生成器能夠對所有的動作提名(proposal)估計出稠密的邊界置信度圖。

(2)引入額外的時序上的動作分類損失函數來監督動作概率特征(action score feature,asf),該特征能夠促進動作完整度回歸(Action-aware Completeness Regression,ACR)。

(3)設計一種高效的動作提名特征生成層(Proposal Feature Generation Layer,PFG),該Layer能夠有效捕獲動作的全局特征,方便實施后面的分類和回歸模塊。

其算法框架主要包含視頻特征抽取(Video Representation),稠密邊界動作檢測器(DBG),后處理(Post-processing)三部分內容。目前騰訊優圖DBG的相關代碼已在github上開源,并在ActivityNet上排名第一。

4. TEINet:邁向視頻識別的高效架構

TEINet: Towards an Efficient Architecture for Video Recognition

關鍵詞:TEI模塊、時序建模、時序結構

下載鏈接:https://arxiv.org/abs/1911.09435

本文提出了一種快速的時序建模模塊,即TEI模塊,該模塊能夠輕松加入已有的2D CNN網絡中。與以往的時序建模方式不同,TEI通過channel維度上的attention以及channel維度上的時序交互來學習時序特征。

首先,TEI所包含的MEM模塊能夠增強運動相關特征,同時抑制無關特征(例如背景),然后TEI中的TIM模塊在channel維度上補充前后時序信息。這兩個模塊不僅能夠靈活而有效地捕捉時序結構,而且在inference時保證效率。本文通過充分實驗在多個benchmark上驗證了TEI中兩個模塊的有效性。

5. 通過自監督特征學習重新審視圖像美學質量評估

Revisiting Image AestheticAssessment via Self-Supervised Feature Learning

關鍵詞:美學評估、自我監督、計算機視覺

下載鏈接:https://arxiv.org/abs/1911.11419

圖像美學質量評估是計算機視覺領域中一個重要研究課題。近年來,研究者們提出了很多有效的方法,在美學評估問題上取得了很大進展。這些方法基本上都依賴于大規模的、與視覺美學相關圖像標簽或屬性,但這些信息往往需要耗費巨大人力成本。

為了能夠緩解人工標注成本,“使用自監督學習來學習具有美學表達力的視覺表征”是一個具有研究價值的方向。本文在這個方向上提出了一種簡單且有效的自監督學習方法。我們方法的核心動機是:若一個表征空間不能鑒別不同的圖像編輯操作所帶來的美學質量的變化,那么這個表征空間也不適合圖像美學質量評估任務。從這個動機出發,本文提出了兩種不同的自監督學習任務:一個用來要求模型識別出施加在輸入圖像上的編輯操作的類型;另一個要求模型區分同一類操作在不同控制參數下所產生的美學質量變動的差異,以此來進一步優化視覺表征空間。

為了對比實驗的需要,本文將提出的方法與現有的經典的自監督學習方法(如,Colorization,Split-brain,RotNet等)進行比較。實驗結果表明:在三個公開的美學評估數據集上(即AVA,AADB,和CUHK-PQ),本文的方法都能取得頗具競爭力的性能。而且值得注意的是:本文的方法能夠優于直接使用 ImageNet 或者 Places 數據集的標簽來學習表征的方法。此外,我們還驗證了:在 AVA 數據集上,基于我們方法的模型,能夠在不使用 ImageNet 數據集的標簽的情況下,取得與最佳方法相當的性能。

6.基于生成模型的視頻域適應技術

Generative Adversarial Networks forVideo-to-Video Domain Adaptation

關鍵字:視頻生成,無監督學習,域適應

來自多中心的內窺鏡視頻通常具有不同的成像條件,例如顏色和照明,這使得在一個域上訓練的模型無法很好地推廣到另一個域。域適應是解決該問題的潛在解決方案之一。但是,目前很少工作能集中在視頻數據域適應處理任務上。

為解決上述問題,本文提出了一種新穎的生成對抗網絡(GAN)即VideoGAN,以在不同域之間轉換視頻數據。實驗結果表明,由VideoGAN生成的域適應結腸鏡檢查視頻,可以顯著提高深度學習網絡在多中心數據集上結直腸息肉的分割準確度。由于我們的VideoGAN是通用的網絡體系結構,因此本文還將CamVid駕駛視頻數據集上進行了測試。實驗表明,我們的VideoGAN可以縮小域間差距。

7. 非對稱協同教學用于無監督的跨領域行人再識別

Asymmetric Co-Teaching for UnsupervisedCross-Domain Person Re-Identification

關鍵詞:行人重識別、非對稱協同教學、域適應

下載鏈接:https://arxiv.org/abs/1912.01349

行人重識別由于樣本的高方差及成圖質量,一直以來都是極具挑戰性的課題。雖然在一些固定場景下的re-ID取得了很大進展(源域),但只有極少的工作能夠在模型未見過的目標域上得到很好的效果。目前有一種有效解決方法,是通過聚類為無標記數據打上偽標簽,輔助模型適應新場景,然而,聚類往往會引入標簽噪聲,并且會丟棄低置信度樣本,阻礙模型精度提升。

本文通過提出非對稱協同教學方法,更有效地利用挖掘樣本,提升域適應精度。具體來說,就是使用兩個網絡,一個網絡接收盡可能純凈的樣本,另一個網絡接收盡可能多樣的樣本,在“類協同教學”的框架下,該方法在濾除噪聲樣本的同時,可將更多低置信度樣本納入到訓練過程中。多個公開實驗可說明此方法能有效提升現階段域適應精度,并可用于不同聚類方法下的域適應。

8. 帶角度正則的朝向敏感損失用于行人再識別

Viewpoint-Aware Loss with AngularRegularization for Person Re-Identification

關鍵詞:行人重識別、朝向、建模

下載鏈接:https://arxiv.org/abs/1912.01300

近年來有監督的行人重識別(ReID)取得了重大進展,但是行人圖像間巨大朝向差異,使得這一問題仍然充滿挑戰。大多數現有的基于朝向的特征學習方法,將來自不同朝向的圖像映射到分離和獨立的子特征空間當中。這種方法只建模了一個朝向下人體圖像的身份級別的特征分布,卻忽略了朝向間潛在的關聯關系。

為解決這一問題,本文提出了一種新的方法,叫帶角度正則的朝向敏感損失(VA-ReID)。相比每一個朝向學習一個子空間,該方法能夠將來自不同朝向的特征映射到同一個超球面上,這樣就能同時建模身份級別和朝向級別的特征分布。在此基礎上,相比傳統分類方法將不同的朝向建模成硬標簽,本文提出了朝向敏感的自適應標簽平滑正則方法(VALSR)。這一方法能夠給予特征表示自適應的軟朝向標簽,從而解決了部分朝向無法明確標注的問題。

大量在Market1501和DukeMTMC數據集上的實驗證明了本文的方法有效性,其性能顯著超越已有的最好有監督ReID方法。

9. 如何利用弱監督信息訓練條件對抗生成模型

Robust Conditional GAN fromUncertainty-Aware Pairwise Comparisons

關鍵詞:CGAN、弱監督、成對比較

下載鏈接:https://arxiv.org/abs/1911.09298

條件對抗生成網絡(conditinal GAN,CGAN)已在近些年取得很大成就,并且在圖片屬性編輯等領域有成功的應用。但是,CGAN往往需要大量標注。為了解決這個問題,現有方法大多基于無監督聚類,比如先用無監督學習方法得到偽標注,再用偽標注當作真標注訓練CGAN。然而,當目標屬性是連續值而非離散值時,或者目標屬性不能表征數據間的主要差異,那么這種基于無監督聚類的方法就難以取得理想效果。本文進而考慮用弱監督信息去訓練CGAN,在文中我們考慮成對比較這種弱監督。成對比較相較于絕對標注具有以下優點:1.更容易標注;2.更準確;3.不易受主觀影響。

我們提出先訓練一個比較網絡來預測每張圖片的得分,再將這個得分當做條件訓練CGAN。第一部分的比較網絡我們受到國際象棋等比賽中常用的等級分(Elo ratingsystem)算法的啟發,將一次成對比較的標注視為一次比賽,用一個網絡預測圖片的得分,我們根據等級分設計了可以反向傳播學習的神經網絡。我們還考慮了網絡的貝葉斯版本,使網絡具有估計不確定性的能力。對于圖像生成部分,我們將魯棒條件對抗生成網絡(RObust Conditional GAN, RCGAN)拓展到條件是連續值的情形。具體的,與生成的假圖對應的預測得分在被判別器接收之前會被一個重采樣過程污染。這個重采樣過程需要用到貝葉斯比較網絡的不確定性估計。

我們在四個數據集上進行了實驗,分別改變人臉圖像的年齡和顏值。實驗結果表明提出的弱監督方法和全監督基線相當,并遠遠好于非監督基線。

10. 基于對抗擾動的無監督領域自適應語義分割

An Adversarial PerturbationOriented Domain Adaptation Approach for Semantic Segmentation

關鍵詞:無監督領域自適應、語義分割、對抗訓練

下載鏈接:https://arxiv.org/pdf/1912.08954.pdf

如今神經網絡借助大量標注數據已經能夠達到很好的效果,但是往往不能很好的泛化到一個新的環境中,而且大量數據標注是十分昂貴的。因此,無監督領域自適應就嘗試借助已有的有標注數據訓練出模型,并遷移到無標注數據上。

對抗對齊(adversarialalignment)方法被廣泛應用在無監督領域自適應問題上,全局地匹配兩個領域間特征表達的邊緣分布。但是,由于語義分割任務上數據的長尾分布(long-tail)嚴重且缺乏類別上的領域適配監督,領域間匹配的過程最終會被大物體類別(如:公路、建筑)主導,從而導致這種策略容易忽略尾部類別或小物體(如:紅路燈、自行車)的特征表達。

本文提出了一種生成對抗擾動并防御的框架。首先該框架設計了幾個對抗目標(分類器和鑒別器),并通過對抗目標在兩個領域的特征空間分別逐點生成對抗樣本。這些對抗樣本連接了兩個領域的特征表達空間,并蘊含網絡脆弱的信息。然后該框架強制模型防御對抗樣本,從而得到一個對于領域變化和物體尺寸、類別長尾分布都更魯棒的模型。

本文提出的對抗擾動框架,在兩個合成數據遷移到真實數據的任務上進行了驗證。該方法不僅在圖像整體分割上取得了優異的性能,并且提升了模型在小物體和類別上的精度,證明了其有效性。

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 神經網絡
    +關注

    關注

    42

    文章

    4812

    瀏覽量

    103263
  • 人工智能
    +關注

    關注

    1805

    文章

    48922

    瀏覽量

    248155
  • 騰訊
    +關注

    關注

    7

    文章

    1678

    瀏覽量

    50225
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    墨芯人工智能入選中國戰略性新興產業典型案例

    近日,墨芯人工智能科技(深圳)有限公司(以下簡稱"墨芯人工智能"或“墨芯”)入選國家發改委《中國戰略性新興產業典型案例》,成為新一代人工智能領域具有代表性的創新企業之一。
    的頭像 發表于 06-13 14:53 ?753次閱讀

    后摩智能論文入選三大國際頂會

    2025 年上半年,繼年初被 AAAI、ICLR、DAC 三大國際頂會收錄 5 論文后,后摩智能近期又有 4
    的頭像 發表于 05-29 15:37 ?308次閱讀

    睿創微納AI芯片技術登上國際計算機體系結構領域頂級會議

    近日,國際計算機體系結構領域頂級會議HPCA 2025(International Symposium on High-Performance Computer Architecture)在美國召開。會議共收到534來自全球頂
    的頭像 發表于 05-19 15:57 ?322次閱讀

    后摩智能5論文入選國際頂會

    2025年伊始,后摩智能在三大國際頂會(AAAI、ICLR、DAC)中斬獲佳績,共有5論文被收錄,覆蓋大語言模型(LLM)推理優化、模型量化、硬件加速等前沿方向。
    的頭像 發表于 02-19 14:02 ?715次閱讀
    后摩<b class='flag-5'>智能</b>5<b class='flag-5'>篇</b><b class='flag-5'>論文</b><b class='flag-5'>入選</b>國際頂會

    嵌入式和人工智能究竟是什么關系?

    嵌入式和人工智能究竟是什么關系? 嵌入式系統是一種特殊的系統,它通常被嵌入到其他設備或機器中,以實現特定功能。嵌入式系統具有非常強的適應性和靈活性,能夠根據用戶需求進行定制化設計。它廣泛應用于各種
    發表于 11-14 16:39

    《AI for Science:人工智能驅動科學創新》第6章人AI與能源科學讀后感

    幸得一好書,特此來分享。感謝平臺,感謝作者。受益匪淺。 在閱讀《AI for Science:人工智能驅動科學創新》的第6章后,我深刻感受到人工智能在能源科學領域中的巨大潛力和廣泛應用。這一章詳細
    發表于 10-14 09:27

    《AI for Science:人工智能驅動科學創新》第一章人工智能驅動的科學創新學習心得

    周末收到一本新書,非常高興,也非常感謝平臺提供閱讀機會。 這是一本挺好的書,包裝精美,內容詳實,干活滿滿。 《AI for Science:人工智能驅動科學創新》這本書的第一章,作為整個著作的開篇
    發表于 10-14 09:12

    risc-v在人工智能圖像處理應用前景分析

    RISC-V在人工智能圖像處理領域的應用前景十分廣闊,這主要得益于其開源性、靈活性和低功耗等特點。以下是對RISC-V在人工智能圖像處理應用前景的詳細分析: 一、RISC-V的基本特點 RISC-V
    發表于 09-28 11:00

    名單公布!【書籍評測活動NO.44】AI for Science:人工智能驅動科學創新

    后2個星期內提交不少于2試讀報告要求300字以上圖文并茂。 4、試讀報告發表在電子發燒友論壇>>社區活動專版標題名稱必須包含【「AI for Science:人工智能
    發表于 09-09 13:54

    Nullmax視覺感知能力再獲國際頂級學術會議認可

    日前,歐洲計算機視覺國際會議 ECCV 2024公布論文錄用結果,Nullmax感知團隊的目標檢測論文《SimPB: A Single Model for 2D and 3D Object Detection from Mult
    的頭像 發表于 09-02 14:07 ?726次閱讀

    報名開啟!深圳(國際)通用人工智能大會將啟幕,國內外大咖齊聚話AI

    ,得到了華為、騰訊必選、中煤科工、中國聯通、云天勵飛、考拉悠然、智航、力維智聯等國內人工智能企業的深度參與和大力支持。 報名后即可到現場領取禮品,總計5000份,先到先選! 點擊報名:https://bbs.elecfa
    發表于 08-22 15:00

    揭秘生成式人工智能如何重塑視頻會議體驗

    據Hailo首席技術官Avi Baum先生介紹,人工智能將大大提升視頻會議的互動性和沉浸感,為集成商和系統設計師們帶來全新的機遇。 盡管虛擬會議已經廣泛普及并成為主流方式,但現有技術尚無法全面復刻
    的頭像 發表于 08-19 14:54 ?456次閱讀

    鯤云科技AI視頻分析解決方案入選人工智能典型應用示范案例

    近日,為貫徹落實《深圳市加快推動人工智能高質量發展高水平應用行動方案(2023—2024 年)》,加快人工智能企業技術應用落地,助推人工智能技術賦能千行百業,形成一批高水平的人工智能
    的頭像 發表于 08-01 11:02 ?1128次閱讀
    鯤云科技AI視頻分析解決方案<b class='flag-5'>入選人工智能</b>典型應用示范案例

    FPGA在人工智能中的應用有哪些?

    FPGA(現場可編程門陣列)在人工智能領域的應用非常廣泛,主要體現在以下幾個方面: 一、深度學習加速 訓練和推理過程加速:FPGA可以用來加速深度學習的訓練和推理過程。由于其高并行性和低延遲特性
    發表于 07-29 17:05

    亮風臺“空間智能”產品入選WAIC “人工智能 +” 創新案例標桿

    近日,在2024年世界人工智能大會(WAIC)上,亮風臺入選機器之心重磅發布的《2024“人工智能+”創新案例標桿》榜單,與達摩院、面壁智能、云從科技等同榜競技。這也是繼
    的頭像 發表于 07-09 08:00 ?877次閱讀
    亮風臺“空間<b class='flag-5'>智能</b>”產品<b class='flag-5'>入選</b>WAIC “<b class='flag-5'>人工智能</b> +” 創新案例標桿
    主站蜘蛛池模板: 亚洲国产精品自在现线让你爽 | 粗又长好猛好爽 | 天天综合天天做天天综合 | 色婷婷综合激情 | 久久久午夜精品理论片 | 国产精品任我爽爆在线播放6080 | 68日本xxxxxxxxx| 日本人亚洲人成人 | 国产播放啪视频免费视频 | 中文字幕va | 国产精品亚洲一区二区三区在线播放 | 一区二区三区四区在线观看视频 | 久久精品亚洲精品国产色婷 | 免费看黄视频 | 女人的逼毛片 | 888午夜不卡理论久久 | 免费在线成人 | 又粗又硬又猛又黄的免费视频黑人 | 免费毛片网站在线观看 | 亚洲一区欧美二区 | 女张腿男人桶羞羞漫画 | www.四虎影院在线观看 | 男人的天堂在线免费视频 | 在线日本人观看成本人视频 | 四虎院影永久在线观看 | 狠狠插狠狠插 | bl 高h文| 国产欧美在线一区二区三区 | 亚洲日本在线观看 | 在线观看国产精美视频 | 色屁屁www影院免费观看视频 | 午夜高清福利 | 美女久久久 | 成人三级在线播放线观看 | 亚洲一级视频在线观看 | 1024你懂的国产精品 | 在线色站 | 91激情| 亚洲国产一区二区在线 | 555夜色555亚洲夜色 | 天天综合天天色 |