基于草图的3D形状检索（SBSR）是一项重要但艰巨的任务，近年来引起了越来越多的关注。现有方法在限制设置中解决了该问题，而无需适当模拟真实的应用程序方案。为了模仿现实的设置，在此曲目中，我们采用了不同级别的绘图技能的业余爱好者以及各种3D形状的大规模草图，不仅包括CAD型号，而且还可以从真实对象扫描的模型。我们定义了两个SBSR任务，并构建了两个基准，包括46,000多个CAD型号，1,700个现实型号和145,000个草图。四个团队参加了这一轨道，并为这两个任务提交了15次跑步，由7个常用指标评估。我们希望，基准，比较结果和开源评估法会在3D对象检索社区中促进未来的研究。
translated by 谷歌翻译
我们解决了在均质半透明材料中建模光散射并估算其散射参数的问题。散射相函数是影响散射辐射分布的此类参数之一。它是在实践中建模的最复杂，最具挑战性的参数，通常使用经验相位函数。经验相函数（例如Henyey-Greenstein（HG）相位函数）通常会呈现，并限于特定的散射材料范围。这种限制引起了人们对目标材料通常未知的反向渲染问题的关注。在这种情况下，首选更通用的相位函数。尽管使用诸如Legendre多项式\ cite {Fowler1983}之类的基础中存在这种通用相位函数，但此相函数的逆渲染并不直接。这是因为基础多项式在某个地方可能是负面的，而相位函数不能。这项研究提出了一种新型的通用相位功能，可以避免此问题，并使用此阶段函数进行逆渲染应用。通过以MIE散射理论建模的广泛的材料对所提出的相函数进行了积极评估。通过模拟和现实世界实验评估了带有建议的相函数的散射参数估计。
translated by 谷歌翻译
2022-09-22
传感器融合可以显着提高许多计算机视觉任务的性能。但是，传统的融合方法要么不是数据驱动的，也不能利用先验知识，也不能在给定数据集中找到规律性，或者它们仅限于单个应用程序。我们通过呈现一种新型深层分层变异自动编码器来克服这一缺点，称为FusionVae，可以作为许多融合任务的基础。我们的方法能够生成以多个嘈杂，遮挡或仅部分可见的输入图像来调节的各种图像样本。我们得出并优化了融合的条件对数似然的变化下限。为了彻底评估模型的融合功能，我们根据流行的计算机视觉数据集创建了三个新颖的图像融合数据集。在我们的实验中，我们表明FusionVae学习了与融合任务相关的汇总信息的表示。结果表明，我们的方法表现明显优于传统方法。此外，我们介绍了不同设计选择的优势和缺点。
translated by 谷歌翻译
视频时间基础（VTG）的目标是根据自然语言（NL）描述在未修剪视频中定位时间矩。由于现实世界的应用程序提供了永无止境的视频流，因此它提出了对长形视频的时间基础的需求，这导致了两个主要挑战：（1）长视频长度使得很难处理整个视频而不减少样本速率并导致高计算负担； （2）随着候选时间的增加数量，准确的多模式对准更具挑战性。为了应对这些挑战，我们提出了一个有效的以窗户为中心的粗略对齐框架，它可以灵活地处理具有较高推理速度的长格式视频输入，并通过我们的新颖的Choce-Fine Muly-Fine增强了时间基础模态对齐框架。具体来说，我们通过滑动窗口方法将长视频将长视频切成候选窗口。 Cone（1）以窗户为中心，通过对比度学习和通过对NL查询相关的候选窗口进行过滤来学习窗口间的（粗粒）语义差异，并且（2）执行内部（罚款） - 使用强大的对比视力文本预训练模型的强大多模式对齐能力对候选力矩进行排名。长期视频的两个大规模VTG基准测试的广泛实验始终显示出可观的性能增长（MAD的3.13％至6.87％，从10.46％到EGO4D-NLQ上的10.46％至13.46％），并且Cone在两个数据集上都可以达到SOTA结果。分析揭示了组件的有效性和长期视频接地的效率较高，因为我们的系统在EGO4D-NLQ上提高了2倍的推理速度，而在MAD上提高了15倍的速度，同时保持了锥体的SOTA性能。
translated by 谷歌翻译
在接下来的几十年中，人工通用情报（AGI）可能会超过人类在各种重要任务下的能力。该报告为为什么如果没有实质性采取行动来阻止它，AGI可能会利用他们的智能来追求目标，而这些目标是从人类的角度出发，可能会带来潜在的灾难性后果。该报告旨在涵盖激励对对齐问题的关注的关键论点，以尽可能简洁，具体和技术上的方式进行对齐问题。我认为，现实的培训过程可能会导致AGIS中未对准的目标，尤其是因为通过强化学习训练的神经网络将学会计划实现一系列目标；通过欺骗性追求未对准的目标获得更多奖励；并以破坏服从的方式概括。就像Cotra（2022）的较早报告中一样，我在参考说明性AGI培训过程中解释了我的主张，然后概述了解决问题的不同方面的可能的研究方向。
translated by 谷歌翻译
表示技术的快速发展和大规模医学成像数据的可用性必须在3D医学图像分析中快速增加机器学习的使用。特别是，深度卷积神经网络（D-CNN）是关键参与者，并被医学成像界采用，以协助临床医生和医学专家进行疾病诊断。然而，培训深层神经网络，例如在高分辨率3D体积的计算机断层扫描（CT）扫描中进行诊断任务的D-CNN带来了强大的计算挑战。这提出了开发基于深度学习的方法，这些方法在2D图像中具有强大的学习表示形式，而是3D扫描。在本文中，我们提出了一种新的策略，以根据沿轴的相邻切片的描述来训练CT扫描上的\ emph {slice level}分类器。特别是，每一个都是通过卷积神经网络（CNN）提取的。该方法适用于具有每片标签的CT数据集，例如RSNA颅内出血（ICH）数据集，该数据集旨在预测ICH的存在并将其分类为5个不同的子类型。我们在RSNA ICH挑战的最佳4 \％最佳解决方案中获得了单个模型，其中允许模型集成。实验还表明，所提出的方法显着优于CQ500上的基线模型。所提出的方法是一般的，可以应用于其他3D医学诊断任务，例如MRI成像。为了鼓励该领域的新进步，我们将在接受论文后制定我们的代码和预培训模型。
translated by 谷歌翻译
合奏学习在机器学习方面取得了成功，比其他学习方法具有重大优势。袋装是一种突出的合奏学习方法，它创建了被称为袋子的数据子组，该数据被单独的机器学习方法（例如决策树）培训。随机森林是学习过程中具有其他功能的袋装的重要例子。 \ textColor {black} {当单个学习者具有较高的偏见时，包装的限制是汇总预测中的高偏置（模型不足）。}进化算法已突出用于优化问题，并且也用于机器学习。进化算法是无梯度的方法，具有多种候选解决方案，可维持创建新解决方案的多样性。在传统的包装合奏学习中，制作了一次袋子，而在培训示例方面，内容是在学习过程中固定的。在我们的论文中，我们提出了进化装袋的合奏学习，我们利用进化算法来发展袋子的内容，以通过迭代袋中提供多样性来增强合奏。结果表明，在某些约束下，我们的进化合奏装袋方法优于几个基准数据集的常规合奏方法（包装和随机森林）。进化装袋可以固有地维持一套不同的行李，而无需牺牲任何数据。
translated by 谷歌翻译
本文在3D Point Cloud中介绍了一个新问题：很少示例实例分割。给定一些带注释的点云举例说明了目标类，我们的目标是在查询点云中细分该目标类的所有实例。这个问题具有广泛的实用应用，在重点实例分段注释非常昂贵的收集中。为了解决此问题，我们提出了测量形式 - 第一个用于3D点云实例分割的地球引导变压器。关键的想法是利用大地距离来应对LIDAR 3D点云的密度不平衡。 LIDAR 3D点云在物体表面附近茂密，在其他地方稀疏或空，使欧几里得距离较差以区分不同的物体。另一方面，大地测量距离更合适，因为它编码了场景的几何形状，该几何形状可以用作变压器解码器中注意机制的指导信号，以生成代表实例的不同特征的内核。然后将这些内核用于动态卷积以获得最终实例掩模。为了评估新任务上的测量形式，我们提出了两个常见的3D点云实例分割数据集的新拆分：ScannETV2和S3DIS。地球形式始终优于根据最新的3D点云实例分割方法的强大基线，并具有明显的余量。代码可从https://github.com/vinairesearch/geoformer获得。
translated by 谷歌翻译
近年来，数据科学已经显着发展。数据分析和采矿过程成为可用数据集的所有行业的常规。已收集，策划，存储和用于提取知识的大量数据存储库。这变得司空见惯。随后，我们直接从数据或通过给定域中的专家提取大量知识。现在的挑战是如何利用以前因高效决策过程而闻名的所有这些知识。直到最近，通过多年的研究获得的许多知识都存储在静态知识库或本体中，而从数据挖掘研究中获得的更多样化和动态知识并没有集中和始终如一地管理。在这项研究中，我们提出了一个称为基于本体的知识图的新型模型，以代表和存储农作物耕作中数据挖掘的结果（知识），以建立，维护和丰富知识发现过程。提出的模型包括六个主要集合：概念，属性，关系，转换，实例和状态。该模型是动态的，可以随时促进知识的访问，更新和开发。本文还提出了用于处理这种基于知识模型的体系结构。系统体系结构包括知识建模，提取，评估，发布和开发。该系统已被实施并用于农业管理和监测。事实证明，它非常有效，并且有望扩展到其他领域。
translated by 谷歌翻译
视频变压器自然会产生比静态视觉变压器更重的计算负担，因为前者在二次复杂性$（t^2n^2）$的当前关注下，$ t $ t $倍的序列比后者长。现有作品将颞轴视为空间轴的简单扩展，重点是通过通用池或局部窗口缩短时空序列，而无需使用时间冗余。但是，视频自然包含相邻框架之间的冗余信息；因此，我们可能会以扩张的方式抑制视觉上相似帧的注意力。基于这一假设，我们提出了圈，长期`\ textbf {\ textit {leap coasitive}}''（la），短期`\ textbf {\ textbf {\ textit {preckentien shiftit {presentiic shift}}}'（'（ \ textit {p} -Shift）用于视频变压器的模块，带有$（2Tn^2）$复杂性。具体而言，``la''将长期帧分为对，然后通过注意来重构每个离散对。 ``\ textit {p} -shift''在时间邻居之间交换特征，以面对短期动力学的丧失。通过用圈替换香草2D的注意，我们可以将静态变压器调整为视频，其中零额外的参数和可忽视的计算开销（$ \ sim $ 2.6 \％）。对标准动力学-400基准的实验表明，我们的圈量变压器可以在CNN和Transformer Sotas之间的准确性，FLOP和参数方面实现竞争性能。我们以\ sloppy \ href {https://github.com/videonetworks/laps-transformer} {\ textit {\ textit {\ color {agenta} {https://github.com/videonetworks/laps-transsfornss/laps-transformer} { }}。
translated by 谷歌翻译