在静止图像人类行动识别中，现有研究主要利用额外的边界框信息以及类标签来减轻静态图像中的时间信息;但是，使用手动注释准备额外数据是耗时的，也容易出现人类错误。此外，现有研究没有解决与长尾分布的行动识别。在本文中，我们提出了一种用于人类行动认可的两相多方专家分类方法，以通过超级学习和没有任何额外信息应对长尾分布。要为每个超级类别选择最佳配置，并在不同动作类之间表征类间依赖关系，我们提出了一种基于图形的类别选择（GCS）算法。在提出的方法中，粗粒阶段选择最相关的细粒度专家。然后，细粒度专家编码每个超级级别的复杂细节，使得级别的变化增加。在各种公共人类行动识别数据集上进行了广泛的实验评估，包括斯坦福福德40，Pascal VOC行动，Bu101 +和iHar数据集。实验结果表明，该方法产生了有希望的改善。更具体地说，在Ihar，Sanford40，Pascal VOC 2012行动和BU101 +基准中，所提出的方法优于最先进的研究，以8.92％，0.41％，0.66％和2.11％，计算成本远远较低没有任何辅助注释信息。此外，证明，在解决长尾分布的动作识别方面，该方法通过显着的边缘来实现其对应物。
translated by 谷歌翻译
自然灾害（例如飓风）之后，数以百万计的需要紧急援助。为了最佳地分配资源，人类规划人员需要准确分析可以从多个来源流动的数据。这激发了多模式机器学习框架的开发，这些框架可以集成多个数据源并有效利用它们。迄今为止，研究界主要集中于单峰推理，以提供损害的细粒度评估。此外，以前的研究主要依赖于灾后图像，这可能需要几天才能可用。在这项工作中，我们提出了一个多模式框架（GALENET），用于通过与天气数据和飓风的轨迹补充污水架图像来评估损害的严重程度。通过对两次飓风的数据进行的广泛实验，我们证明了（i）与单峰方法相比，多模式方法的优点，以及（ii）Galenet在融合各种模态下的有效性。此外，我们表明，在没有后架图像的情况下，Galenet可以利用前碟片前的图像，从而阻止决策的大幅度延迟。
translated by 谷歌翻译
近年来，新发现的矿物沉积物数量和不同矿物质需求的增加有LED探索地质学家，寻找在矿物勘探的每个阶段加工不同数据类型的更有效和创新的方法。作为主要步骤，诸如岩性单元，改变类型，结构和指示剂矿物的各种特征被映射以辅助靶向矿床的决策。不同类型的遥感数据集如卫星和空气传播数据，使得可以克服与映射地质特征相关的常见问题。从不同平台获得的遥感数据量的快速增加鼓励科学家培养先进，创新和强大的数据处理方法。机器学习方法可以帮助处理广泛的遥感数据集，并确定诸如反射连续体和感兴趣的特征的组件之间的关系。这些方法在处理频谱和地面真理测量中是稳健的，用于噪声和不确定性。近年来，通过补充与遥感数据集的地质调查进行了许多研究，现在在地球科学研究中突出。本文对一些流行的和最近建立的机器学习方法的实施和适应提供了全面的审查，用于处理不同类型的遥感数据，并调查其用于检测各种矿床类型的应用。我们展示了组合遥感数据和机器学习方法的高能力，以映射对于提供潜在地图至关重要的不同地质特征。此外，我们发现高级方法的范围来处理新一代遥感数据，以创建改进的矿物前景图。
translated by 谷歌翻译