月別アーカイブ: 2019年6月

張先生, 画像関連, 研究進捗

先週の進捗（ZHU)

コメントする

先週の進捗

  • gitlabファイル管理は，習慣として使うべきです，本当に必要なのでとても便利です。
  • Person Re-ID最新の論文の広範な読書（CVPR2019），要約記録を作成する，例えば：Dissecting Person Re-identification from the Viewpoint of Viewpoint-1
    总结：视觉因素变化，例如视角，姿态，光照和背景等变化，经常被认为是行人再识别领域的一个重要的挑战。尽管人们已经认识到了这些因素的重要及其影响性，但是对于究竟如何影响系统性能还缺少定性的研究。本文从一个全新的角度探索行人再识别任务，主要研究视觉因素变化如何影响行人再识别，通过利用合成数据对视觉因素量化来进行大量实验，最终经过分析和总结并得出一些有意思的结论。作者以将问题从what转换为how，让行人再识别的研究有更多的维度。本文主要有两个贡献点：
    （1）引入了一个大范围的合成数据引擎，PersonX，这个引擎由人工制作的3D行人模型组成，其最主要的显著特点是，它是可控的，也就是说，我们可以通过给视觉变量设置任意值来合成一个新的行人。
    （2）通过3D数据引擎，我们量化分析行人旋转角度对行人再识别正确性的影响。在这里，行人的旋转角度可以精确的从0°到360°，可以观察在训练，查询，和数据集中行人视觉分布对于新人再识别结果的影响。之后的实验可以帮助我们对行人再识别基本问题有一个更深入的了解。
  • 2018年Reinforcement Learning10の重要論文（ソースコード付き）を学ぶ,要約記録を作成する, 例えば：与其他机器学习方法相比，比如监督式学习、迁移学习、甚至非监督式学习学习相比，深度强化学习方法极其需要大量数据，而且常常不稳定，从性能上来说可能不是最好的选择。 RL一直以来只成功地应用于那些可以根据需要生成大量模拟数据的领域，比如游戏和机器人。尽管 RL 在解决业务用例方面存在局限性，但一些 AI 专家认为，这种方法是实现人工或超人类人工通用智能(Artificial General Intelligence，AGI)的最可行策略。 DeepMind 的AlphaStar战胜了顶级的职业星际争霸玩家，这表明我们可能正处于将深层强化学习应用于实时需求、异常复杂和信息不完整的现实世界问题的前沿。
  • Convolutional Neural Network，CNNの勉強https://blog.csdn.net/weixin_42451919/article/details/81381294

今週の予定

  • 完全なモデルのコードを注意深く読んで（StarGAN）.
  • gitlab研究管理のさらなる応用.
  • Person Re-IDによる最新の論文の閲覧を続けます（CVPR-2019）、要約記録を作成します。

張先生, 画像関連, 研究進捗

M1ゼミ

コメントする

出席：梶岡、井上、金當

梶岡：ICISIP2019投稿論文完成。

井上：投稿論文途中、６月中に完成を目指す。

金當：投稿論文途中、６月中に完成を目指す。

オープンキャンパスの展示物を製作中。サンプルコードを動かしてみた、７月から本格的開発。

７月９日（火）１１：００−１１：３０の間にスマートIoT推進フォーラム＠テストベッド分科会が研究室見学に来ます。研究紹介とデモの用意をお願いします。