新闻频道 > 新政风向

李克强将出席博鳌亚洲论坛年会开幕式并发表主旨演讲博鳌亚洲财经论坛_高鹰生殖中心

来源: 新华社
07:59:56

王俊凯李克强将出席博鳌亚洲论坛年会开幕式并发表主旨演讲博鳌亚洲财经论坛

李明霖

    新浪财经部发言人耿双今天在例行记者招待会上宣布,国务院总理李克强将于3月28日在海南博鳌出席博鳌2019年亚洲论坛开幕式,并发表主旨演讲。邀请韩国总理李洛源、老挝总理通伦、卢森堡总理槟榔、圣多美和普林西比出席年会。新浪声明:所有会议记录都是现场速记整理的。这篇文章在新浪上的发布没有经过演讲者的审查。为了传输更多的信息,COM并不意味着同意其观点或确认其描述。责任编辑:梁斌SF055

    

当前文章:http://qb3ko5.51vst.cn/d9j8mta0/280094-41216-52120.html

发布时间:01:03:12

高鹰生殖中心  建德新闻  爱婴丝坦代怀孕网  朋友味之素试管网  新婚  凯弈家具设计网  东莞年年红代怀孕服务网  明朝历史  火麒麟助孕公司  益阳新闻  小游戏  

{相关文章}

CVPR 2018总结:第四部分

    本文是人工智能研究所编写的技术博客。原标题是:Domain最先进的艺术。

    本文是人工智能研究所编写的技术博客。原标题为:

    领域适应的研究进展(综述)

    作者:Sergey Nikolenko,Anastasia Gaydashenko

    翻译劳朝校对酱菠萝

    挑选菠萝女孩

    链接:

    Http://..com/neuromati钱钟书_高鹰生殖中心on-io-blog/state-of-art-in-domain-.-cvpr-in-.-iv-21ac05f935b9

    领域适应的最新进展(CVPR ReVIEW -4)

    我们在CVPR 2018(计算机视觉和模式识别)上已经举行了三次会议:第一部分是计算机视觉的GAN,第二部分是关于人类识别(姿势估计和跟踪),第三部分是关于合成数据。今天,我们深入探讨最近出现的深度学习领域的细节:领域适应。对于这个神经掘金,我很高兴向你介绍我的合著者Anastasia Gaydashenko,她已经离开Neuromation并继续加入思科……但是他的研究还在继续,这就是其中之一。

    什么是领域适应?

    最近的研究(包括CVPR 2018)有几个特定的趋势,其中之一是域适应。因为这个领域与合成数据密切相关,我们对神经测量非常感兴趣,但是这个话题本身正变得越来越流行和重要。

    让我们从头开始。我们讨论了构成现代计算机视觉基础的最常见的任务:图像分类、对象和姿态检测、实例和语义分割、对象跟踪等。由于深层卷积神经网络结构和大量的标记数据,这些问题已经成功地解决了。

    然而,正如我们在前一节中所讨论的,总是存在巨大的挑战:对于有监督的学习,您总是需要找到或创建标记数据集。几乎所有关于一些现有技术模型的论文都提到了数据集的一些问题,除非它们使用少数几个标准的“香草”数据集,每个人都会比较它们。因此,收集标签数据与设计网络本身一样重要。这些数据集应该足够可靠和多样化,以便研究人员使用它们开发和评估新的体系结构。

    我们已经讨论过很多次了,手动数据收集非常昂贵、耗时并且通常非常耗能。有时甚至不可能手动标记数据(例如,如何标记深度估计和评估图像上点和摄像机之间的距离?)当然,许多标准问题已经具有可自由或容易地访问的大标记数据集。但是,首先,这些易于标记的数据可以(并且确实)倾向于它们可用的特定区域。第二,你自己的问题永远不会完全一样。标准数据集通常根本不能满足您的要求:它们将包含不同的类别、偏见等等。

    使用现有的数据集,或者甚至不具体解决您的特定问题的合成数据生成器的主要问题是,当生成并标记数据时,我们仍然面临着域传输的问题:我们如何使用数据准备网络来处理不同类型?对于整个合成数据领域,问题也很突出:不管你制作的数据是否真实,它仍然不能完全与真实世界的照片分离。这里主要的潜在挑战是域移位:基本上,目标域(例如,真实图像)中的数据分布与源域(例如,合成图像)中的数据分布不同。设计能够应对这种转变的模型正是所谓的领域适应。

    让我们来看看人们是如何处理这个问题的。考虑一下CVPR 2018中的一些论文,它们比之前的“回顾中的CVPR”部分更详细。

   &nb连城诀_高鹰生殖中心sp;具有相似学习的无监督域自适应

    佩德罗皮涅罗(见pdf)的作品来自蒙特利尔ElementAI公司,这家公司由约书亚本吉奥在2016年共同创立。它涉及一种基于对抗网络的域适配方法,如我们前面提到的(参见本文第二部分,即将出版)。

    适应无监督域的最简单方法是尝试提取跨域保持相同特性的网络。为了实现这一点,网络试图使它们与网络的各个部分(下图中的盘)不可区分。同时,这些函数应该表示源域,以便网络能够对对象进行分类:

    以这种方式,网络必须提取能够同时实现两个目标的特征:(1)足够的信息,“类”网络(通常非常简单)可以被分类;(2)独立于域,使得“CD-ROM”网络(通常与特征提取器本身一样复杂,或者更多)不能不能真正区分。注意,我们不需要为目标域提供任何标签,而仅需要为源域提供标签,这通常更容易(再次考虑源域的合成数据)。

    在Pinheiro的文章中,通过将分类器部分替换为基于相似度的部分,改进了这种方法。判别部分保持不变,分类部分现在将图像的嵌入与一组原型进行比较;所有这些表达式以端到端的方式一起学习:

    基本上,我们需要一个网络G从标签的源域中提取特征,而另一个网络f从未标记的目标域中提取具有相似但不同数据分布的特征。区别在于,现在F和G是不同的(我们在上面的图中具有相同的f),并且分类现在是不同的:我们训练模型以将目标原型与所有其他原型区分开,而不是训练分类器。为了标记来自目标域的图像,我们将图像的嵌入与来自源域的原型图像的嵌入进行比较,并分配最近的邻居标签:

    本文证明了基于相似度的分类方法对于两个数据集之间的域转移具有更强的鲁棒性。

    域自适应图像到图像翻译

    在Murz等人的这项工作中。(完全PDF)。来自加利福尼亚大学、圣地亚哥大学和人力资源实验室,其主要思想实际上非常简单,但是实现方式新颖而有趣。这项工作涉及比分类更复杂的任务,即图像分割(参见我们之前的文章),它广泛用于自动驾驶仪、医学成像和许多其他领域。那么他们正在谈论的“图像翻译”是什么呢?

    让我们从正则翻译开始。假设我们有两个不同语言的大型文本语料库,比如英语和法语,我们不知道哪个短语对应于哪个。它们甚至可能略有不同,在其他语言语料库中可能缺乏相应的翻译。就像合成和真实领域的图像一样。现在,为了得到一个机器翻译模型,我们将一个短语从英语翻译成法语,并试图区分嵌入短语和原始法语语料库中的嵌入短语。然后检查一下我们没有因为试图把这个短语翻译成英语而损失太多;现在,即使原始语料库完全不符合规则,我们也知道我们在寻找什么:答案是原始的句子。

    现在让我们来看看图像到图像的转换。事实上,它非常相似。域自适应技术主要是通过寻找源数据分布到目标分布的映射来解决域移位问题。或者,域X和Y可以映射到共享域Z,其中分布是对齐的;这是本文中使用的方法。这种嵌入必须是领域不可知的(领域独立),所以我们想要最大化源和目标图像分布之间的相似性。

    例如,假设X是晴天驾驶场景的领域,Y是雨天驾驶场景的领域。虽然“sunny”和“rainy”是源域和目标域的特征,但是它们对注释任务(例如,道路的语义分割)实际上毫无意义,并且它们不应该影响注释。在处理结构噪声等特征时,我们希望找到对这种变化不变的潜在空间Z。换句话说,域Z不应该包含特定于域的特性,即与域无关的特性。

    在这种情况下,我们还希望从目标域恢复图像的注释。因此,我们还需要添加从共享嵌入空间到标签的映射。它可以是图像级标签,例如分类问题中的类或像素级标签,例如语义分割:

    基本上,这就是整个想法。现在,为了从目标域获得图像的注释,我们只需要将它们嵌入到共享空间Z中并从C恢复它们的注释。

    具体而言,需要三个主要工具来实现成功的无监督域适配:

    领域无关特征提取,即从敌方鉴别器网络中判断,从两个领域提取的特征的分布应该很难区分。

    特定于域的重构意味着我们应该能够将嵌入解码回源域和目标域。也就是说,我们应该能够学习如下所示的函数gX和gY:

    循环一致性,以确保映射的正确学习,也就是说,我们应该能够回到我们开始的循环,如下:

    本文中提出的框架的重点是确保这些属性具有损失函数和对抗结构。我们不会深入讨论体系结构的细节,因为它们可能会因为其他域和问题而改变。

    但是让我们看看结果。在本文的最后,我们将详细比较三篇关于领域适应的论文,但是现在让我们看一个例子。本文使用两个数据集:Grand Theft Driver 5的合成数据集和带有城市图片的真实世界城市景观数据集。这里有两个样本图片:

    下面是真实世界图像的分割结果(上面的图B):

    在这幅图像中,E是真实的地面分割,C是没有域自适应的结果,只有GTA5数据集需要通过训练合成,D是域自适应的结果。它看起来更好,而且数字(交叉联合措施)证实了这一点。

    结构域中自适应网络的条件生成

    这篇论文是由洪等撰写的。(完整的pdf),提出了对标准鉴别器-分段器架构的另一种修改。从我们第一次看到建筑,我们可能甚至没有注意到任何差异:

    但事实上,这种架构非常有趣:它把GAN集成到全卷积网络(FCN)中。我们在前面的Nugget文章中讨论了FCN;它是用于分割的网络体系结构,它通过反卷积层提供特征以返回图片中每个像素的标签。

    在该模型中,GAN用于缓解源域和目标域之间的鸿沟。例如,在前面的文章中,两个域通过中间特征空间对齐,这隐式地假设这两个域具有相同的决策函数。这种方法放松了这样一种假设,即这里我们学习来自两个域的特征映射之间的残差,因为生成器学习生成类似于真实图像的特征以欺骗鉴别器,然后更新FCN参数以适应GAN所做的改变。

    类似地,我们将显示以下结果的数值比较,但是这里是数据集的一些例子:

    值得注意的是,在这项工作中,作者还提供了与我们在合成数据效率的研究中所做的非常类似的东西:他们根据某些数据集中的合成图像来测量结果的准确性(再次通过交叉组合测量):

    从合成数据中学习:解决语义分段的域转移问题

    这项工作是由SalkaNalayaAn等人完成的。(complete pdf)对基于GAN的基本算法进行了改进,使得嵌入学习特征空间更接近。这一次,让我们从图片开始并解释:

    基础设施网络类似于预训练模型,如VG朕的儿子是面瘫_高鹰生殖中心G-16,它分为两个部分:F表示的嵌入和C表示的逐像素分类器。将C语言输出从标签映射中采样到与F语言输入相同的大小,生狂喷斗战圣狗and冥狗_高鹰生殖中心成网络G以学习嵌入为输入,重建RGB图像。鉴别器网络D使用给定的输入执行两个不同的任务:它以领域一致的方式将输入分类为真实或伪造,并且它还执行类似于网络C的像素标记任务(它只适用于源数据,因为目标数据在训练期间没有标签)。)

    因此,本文的主要工作是利用生成模型对特征空间中的源和目标分布进行比对。为此,作者首先通过训练网络的重构部分,将CNN获得的中间特征表示投影到图像空间中,然后通过强制网络学习特征生成相似目标图像,来实施区域对齐约束。源于源特征。当传递到重建模块时,反之亦然。

    听起来很复杂,所以让我们看看所有这些方法实际上是如何比较的。

    结果的数值比较

    我们选择这三篇论文进行深入研究,因为它们的结果实际上是可比较的!这三篇论文都使用GTA5域适配作为源(复合)数据集,使用Cityscape作为目标数据集,所以我们可以简单地比较这些数字。

    城市景观数据集包含城市户外场景的19个特征,如“道路”、“墙壁”、“人”、“汽车”等。这三篇论文实际上都包含按类别划分结果的表。

    Murz等人,图像到图像翻译:

    洪等人,条件GaN:

    FNCN的SaKaNalayaayaN.等:

    平均结果分别为31.8、44.5和37.1,因此如果GAN是获胜者,则图像到图像的方法似乎最不成功。为了清楚起见,我们还需要比较每个方法的前三个最不可区分的类别(即,最佳和最差结果)。

    最明显的是,在相同的模型顺序:

    道路(85.3),汽车(76.7),VEG(72)

    道路(89.2),VEG(77.9),Car(77.8)

    道路(88),汽车(80.4),VEG(78.7)

    但最坏的情况是不同的:

    火车(0.3),自行车(0.6),骑手(3.3)

    列车(0),围栏(10.9),墙(13.5)

    列车(0.9),T标志(11.6),杆(16.7)

    第三,“训练”似乎构成了一个不可克服的挑战(训练集中可能没有那么多训练集),但是其他的则不同。因此,让我们比较所有的模型基于“自行车”,“自行车”,“骑手”,“围栏”,“墙”,“t符号”和“杆”类。现在他们的分数将非常明显:

    你可以从这些结果中得出不同的结论。但就我们个人而言,真正令人兴奋的主要结果是,对于这样一个复杂的任务,在同一次会议上有许多不同的方法来产生不同的论文(因此作者不能相互理解,并且结果看起来是独立的),并且研究人员毫不犹豫地比较机智。彼此相爱。这些可比较的数字,而不是一些舒适的自我发展指标,将证明它们在现代机器学习方式中无疑的优势。

    最后,让我们用一种更简单的方法完成它,并且有一篇关于合成数据的有趣论文。

 &broliset_高鹰生殖中心nbsp;  免费监督视频游戏

    在此工作中,Philipp Krhenbu HL(complete pdf)为流行的Microsoft DirectX呈现API创建了一个包装器,并在游戏运行时向其添加特殊代码。这使得DirectX引擎能够生成实时的地面实时标签,例如分割、语义标签、深度估计、光流、内部图像分解和实例跟踪!这听起来很酷,因为现在研究人员不仅可以手动标记数据或创建专用的合成数据引擎,而且还可以整天玩电子游戏!你需要做的就是找到正确的3D游戏:

    我们已经完成了CVPR 2018的第四部分。谢谢你的关注,请注意。

    Sergey Nikolenko神经研究首席研究员

    Anastasia Gaydashenkoformer神经病研究实习生,思科机器学习实习生

    想继续查看本文的链接和引用吗?

    长按链接打开或点击[CVPR 2018摘要:第四部分]:

    HTTP://A.YANXISHE.COM/PGEG/TEXTROPTION/1196

    有关CVPR 2018摘要系列的更多文章,请单击:雷锋网络,雷锋网络

    CVPR 2018总结:第一部分

    CVPR 2018总结:第二部分

    CVPR 2018总结:第三部分

    AI协会每天更新精彩内容,观看更多精彩内容:

&孙坚模仿范冰冰_高鹰生殖中心nbsp;   如何使用SKIL和YOLO构建产品级目标检测系统极大地提高培训模型的速度?认真的推荐:一个为期20周的计算机科学经验糊(有资源)研究数据科学家应该理解五个基本的统计概念:统计特征,概率分布,维数减少,过采样/欠采样,贝叶斯统计

关键词:山东千年小狐仙,soe 878,dnf公会基金责任编辑:徒辛丁伯
http://xydhpx.cnhttp://cjlhmex.cnhttp://yufengxing.cnhttp://qiuyibao.com.cnhttp://xiaoxintao.cnhttp://wawooo.nethttp://www.xtoverseas.cnhttp://www.taohuanxin.cnhttp://www.bankfire.cnhttp://www.cjzbmex.cnhttp://www.xicheya.cnhttp://www.hikerhome.cnhttp://www.chinaqdstar.com.cnhttp://www.xsjxb.comhttp://www.mybbq.cnhttp://www.jbwcp.cnhttp://www.zjgLb.cnhttp://www.zjgwx.cnhttp://www.mnttc.cnhttp://www.whyxlx.cnhttp://www.everge.cnhttp://www.xjtopi.cnhttp://www.sscchh.cnhttp://www.qhqqf.cnhttp://www.qhxxz.cnhttp://www.wwlwkj.cnhttp://www.vllll.cnhttp://www.wyysys.cnhttp://www.hrvms.cnhttp://www.ayaro.cnhttp://www.jjgdf.cnhttp://www.lialiu.cnwww.qhttp.cnhttp://www.abgpbg.cnhttp://www.aijuyou.cnhttp://www.aibowu.cnhttp://www.ahxdw.cnhttp://www.agocv.cnhttp://www.kaidabaozhuang.com/data/cache/2019032616263684327925.htmlhttp://m.jxzkzs.com/plus/img/2019032615061819788319.htmlhttp://www.sczqdl.com/2019032511253741092735.htmlhttp://www.jichangyi.net/uploads/image/2019032618042311784205.htmlhttp://i-zx.cn/2019032511330689737984.htmlhttp://liweime.com/2019032511415671304784.htmlhttp://sc-huashi.com/2019032511340517951753.htmlhttp://xingbian580.com/zhiwu/2011/1009/2019032511140614440005.htmlhttp://xingbian580.com/zhiwu/2011/1009/2019032511141165678464.htmlhttp://www.jiningba.com/data/images/2019032511080183246294.htmlhttp://chazizhayouji.com/plus/img/2019032616073839533903.html