头视点标签的成本是改善细粒度头姿势估计算法的主要障碍。缺乏大量标签的一种解决方案正在使用自我监督的学习（SSL）。 SSL可以从未标记的数据中提取良好的功能，用于下游任务。因此，本文试图显示头部姿势估计的SSL方法之间的差异。通常，使用SSL的两个主要方法：（1）使用它以预先培训权重，（2）在一个训练期间除了监督学习（SL）之外的SSL作为辅助任务。在本文中，我们通过设计混合多任务学习（HMTL）架构并使用两个SSL预先文本任务，旋转和令人困惑来评估两种方法。结果表明，两种方法的组合在其中使用旋转进行预训练和使用令人难以用于辅助头的令人费示。与基线相比，误差率降低了23.1％，这与电流的SOTA方法相当。最后，我们比较了初始权重对HMTL和SL的影响。随后，通过HMTL，使用各种初始权重减少错误：随机，想象成和SSL。
translated by 谷歌翻译
历史地图包含难以找到覆盖长期时间的详细地理信息（例如，为美国历史地形图125年）。然而，这些地图通常存在于没有可搜索元数据的情况下扫描图像。现有方法制作历史地图可搜索依靠繁琐的手动工作（包括人群）来生成元数据（例如，地理域和关键字）。光学字符识别（OCR）软件可以缓解所需的手动工作，但识别结果是单个单词而不是位置短语（例如，“黑色”和“山”与“黑山”）。本文介绍了一种端到端的方法来解决发现和索引历史地图图像的真实问题。此方法自动处理历史地图图像以提取其文本内容，并生成一组与大型外部地理空间知识库相关的元数据。 RDF（资源描述框架）格式中的链接元数据支持用于查找和索引历史地图的复杂查询，例如检索加利福尼亚州高于1000米的山峰的所有历史地图。我们在称为MapKurator的系统中实现了方法。我们使用来自多个来源的历史地图评估了MapKurator，各种地图样式，尺度和覆盖范围。我们的结果显示出对最先进的方法的显着改善。该代码已被公开可用作Kartta Labs项目的模块，以https://github.com/kartta-labs/project。
translated by 谷歌翻译