在过去的十年中，我们看到了社交媒体平台推动的在线内容中的指数增长。该规模的数据生成具有难以克服的攻击内容的警告。通过多种方式（图像，语言等），代码混合语言等，通过使用识别冒犯内容的复杂性加剧了。此外，即使我们仔细采样和注释令人反感的内容，也将始终存在攻击性VS非冒犯内容的显着类别不平衡。在本文中，我们介绍了一种基于新的Code-Mixing指数（CMI）的焦点损失，其避免了两个挑战（1）代码混合语言（2）类别不平衡问题，用于Dravidian语言冒犯检测。我们还通过基于余弦的分类器更换传统的小点产品类分类器，这导致性能提升。此外，我们使用多语言模型，帮助传输特征在跨语言中学到的，以有效地使用低资源语言。同样重要的是要注意我们的模型处理混合脚本的实例（例如，说拉丁和Dravidian - 泰米尔脚本脚本的使用）也是如此。我们的模型可以在低资源，类别不平衡，多语言和代码混合设置中处理令人反感的语言检测。
translated by 谷歌翻译
\ textit {virtual try-on}（vton）的想法通过为用户提供在舒适的家中尝试服装的便利，从而使电子零售受益。总的来说，当一个人与手臂折叠的人（即弯曲或交叉）想要尝试服装时，大多数现有的VTON方法会产生不一致的结果。在长袖服装的情况下，问题变得严重。当时，对于交叉的臂姿势，可能会发生不同的衣服零件之间的重叠。现有的方法，尤其是采用\ textit {薄板样条（TPS）}的基于扭曲的方法}转换无法解决此类情况。为此，我们尝试了一种解决方案方法，将源头的衣服分为语义上有意义的部分，每个部分都独立扭曲为人的形状。为了解决弯曲问题，我们采用了与人体几何形状一致的手工制作的几何特征来扭曲源装备。此外，我们提出了两个基于学习的模块：合成器网络和一个掩码预测网络。所有这些共同尝试生成光合逼真的，姿势射击的VTON解决方案，而无需任何配对的训练数据。与某些基准方法的比较清楚地确定了该方法的有效性。
translated by 谷歌翻译
机器学习（ML）方法已被证明是物理科学中非常成功的工具，特别是在应用于实验数据分析时。人工智能特别擅长在高维数据中识别模式，通常优于人类。在这里，我们应用了一个名为主成分分析（PCA）的简单ML工具，以研究来自μON光谱的数据。来自该实验的测量数量是不对称功能，其具有关于样品的平均内在磁场的信息。不对称功能的变化可能表示相变;然而，这些变化可能非常微妙，并且现有的分析方法需要了解材料的特定物理。 PCA是一个无人驾驶的ML工具，这意味着不需要对输入数据的假设，但我们发现它仍然可以成功应用于不对称曲线，并且可以恢复相位转换的指示。将该方法应用于具有不同底层物理的一系列磁性材料。我们发现，同时对所有这些材料进行PCA可以对相变指示器的清晰度产生积极影响，并且还可以改善不对称功能最重要变化的检测。对于这个联合PCA，我们介绍了一种简单的方法来跟踪不同材料的贡献以获得更有意义的分析。
translated by 谷歌翻译