英偉達(dá)的STEAL AI讓神經(jīng)網(wǎng)絡(luò)擁有更好的計(jì)算機(jī)視覺(jué)
來(lái)自英偉達(dá)（Nvidia）、多倫多大學(xué)（University of Toronto）和多倫多矢量人工智能研究所（Vector Institute for Artificial Intelligence）的研究人員規(guī)劃了一種方式，可以更精確地探測(cè)和預(yù)測(cè)物體的起點(diǎn)和終點(diǎn)。這些知識(shí)可以改進(jìn)現(xiàn)有計(jì)算機(jī)視覺(jué)模型的推理，并為未來(lái)的模型標(biāo)記訓(xùn)練數(shù)據(jù)。在研究人員的實(shí)驗(yàn)中，語(yǔ)義細(xì)化的邊緣對(duì)齊學(xué)習(xí)（steal）能夠?qū)⒆钕冗M(jìn)的casenet語(yǔ)義邊界預(yù)測(cè)模型的精度提升4%。更精確地識(shí)別物體的邊界可以使用于計(jì)算機(jī)視覺(jué)任務(wù)，從圖像生成到三維重建到物體檢測(cè)。STEAL可用于改進(jìn)現(xiàn)有的CNNs或邊界檢測(cè)模型，但研究人員還認(rèn)為它可以幫助他們更有效地標(biāo)記或注釋計(jì)算機(jī)視覺(jué)模型的數(shù)據(jù)。為證明這一點(diǎn)，STEAL方式用于改進(jìn)城市景觀，這是2016年首次在計(jì)算機(jī)視覺(jué)和模式識(shí)別（CVPR）會(huì)議上引入的城市環(huán)境數(shù)據(jù)集。在GitHub上，STEAL框架以像素為單位學(xué)習(xí)和預(yù)測(cè)對(duì)象邊緣，研究人員稱之為“主動(dòng)對(duì)齊”?！霸谟?xùn)練過(guò)程中對(duì)注釋噪聲進(jìn)行明確的推理，以及為網(wǎng)絡(luò)提供一個(gè)從端到端排列不當(dāng)?shù)臉?biāo)簽中學(xué)習(xí)的分級(jí)公式，也有助于產(chǎn)生結(jié)果?！睋?jù)arXiv報(bào)道，研究者在4月發(fā)表的一篇論文中說(shuō)：“我們進(jìn)一步表明，我們預(yù)測(cè)的邊界比最新的DeepLab-v3分割輸出得到的邊界顯著更好，同時(shí)運(yùn)用了更輕量級(jí)的架構(gòu)。”并在6月9日進(jìn)行了修訂。“魔鬼就在邊緣：從嘈雜的注釋中學(xué)習(xí)語(yǔ)義邊界”將在本周于加州長(zhǎng)灘舉行的CVPR 2019年會(huì)議上分享。英偉達(dá)在今天的一篇博客文章中說(shuō)，近12篇部分由英偉達(dá)研究公司撰寫的研究論文將在會(huì)議上以口頭陳述的形式分享。
Q:這個(gè)文檔的類型是什么？
A:資訊。
Q:研究人員來(lái)自哪些機(jī)構(gòu)？
A:研究人員來(lái)自英偉達(dá)（Nvidia）、多倫多大學(xué)（University of Toronto）和多倫多矢量人工智能研究所（Vector Institute for Artificial Intelligence）。
Q:STEAL 的作用是什么？
A:STEAL 可以更精確地探測(cè)和預(yù)測(cè)物體的起點(diǎn)和終點(diǎn)，提升現(xiàn)有計(jì)算機(jī)視覺(jué)模型的精度，改進(jìn)現(xiàn)有 CNNs 或邊界檢測(cè)模型，還可以幫助更有效地標(biāo)記或注釋計(jì)算機(jī)視覺(jué)模型的數(shù)據(jù)。
Q:STEAL 在哪些方面進(jìn)行了應(yīng)用？
A:用于改進(jìn)城市景觀，從圖像生成到三維重建到物體檢測(cè)等計(jì)算機(jī)視覺(jué)任務(wù)。
Q:STEAL 將最先進(jìn)的 casenet 語(yǔ)義邊界預(yù)測(cè)模型的精度提升了多少？
A:提升了 4%。
Q:STEAL 在 GitHub 上有什么特點(diǎn)？
A:在 GitHub 上，STEAL 框架以像素為單位學(xué)習(xí)和預(yù)測(cè)對(duì)象邊緣，被研究人員稱為“主動(dòng)對(duì)齊”。
Q:研究人員在論文中說(shuō)了什么？
A:“在訓(xùn)練過(guò)程中對(duì)注釋噪聲進(jìn)行明確的推理，以及為網(wǎng)絡(luò)提供一個(gè)從端到端排列不當(dāng)?shù)臉?biāo)簽中學(xué)習(xí)的分級(jí)公式，也有助于產(chǎn)生結(jié)果?！薄拔覀冞M(jìn)一步表明，我們預(yù)測(cè)的邊界比最新的 DeepLab-v3 分割輸出得到的邊界顯著更好，同時(shí)運(yùn)用了更輕量級(jí)的架構(gòu)?！?br>Q:論文什么時(shí)候修訂的？
A:6 月 9 日。
Q:“魔鬼就在邊緣：從嘈雜的注釋中學(xué)習(xí)語(yǔ)義邊界”將在哪里分享？
A:將在本周于加州長(zhǎng)灘舉行的 CVPR2019 年會(huì)議上分享。
Q:有多少篇部分由英偉達(dá)研究公司撰寫的研究論文將在會(huì)議上以口頭陳述的形式分享？
A:近 12 篇。