Еженедельник AI Scholar: 4

Еженедельник AI Scholar: 4

Простая визуализация CNN, безопасные приложения Web ML, улучшенный поиск изображений лица, платформа для состязательного тестирования вредоносных программ на основе DL, эффективный синтез звука и многое другое!

Получайте стипендию AI: еженедельно прямо на свой почтовый ящик, подписавшись на информационный бюллетень

Ученый ИИ (AI 大 事件) 现在 有 中文 大 了 来 读 我们 的 每周 时事 通讯 获取 最新 的 AI 研究 见解

Включение визуализаций, готовых к публикации, с помощью Net2Vis

Основная цель Net2Vis - улучшить читаемость визуализаций за счет соблюдения правил визуальной грамматики за счет использования грамотно составленных визуальных кодировок. Он также включает абстракцию уровней за счет накопления уровней, что значительно снижает сложность сетевой архитектуры. Net2Vis также решает проблему времени, резко сокращая много часов, которые в прошлом использовались для создания готовых к публикации сетевых визуализаций. Не только это, но и подход также обеспечивает целостный и четкий дизайн визуализации.

Возможное использование и эффекты

Такой подход, как Net2Vis, упростит работу исследователей, позволив им легко создавать визуализации, которые уменьшают расплывчатость визуализации CNN. С другой стороны, читатели смогут понимать визуализацию без необходимости изучать языки визуального дизайна, специфичные для бумаги, что снижает вероятность ошибки на обоих концах. Если бы только этот же метод можно было бы расширить для визуализации для всех архитектур.

Подробнее: https://arxiv.org/abs/1902.04394v1

Код: https://github.com/viscom-ulm/Net2Vis

Разработка веб-приложений безопасного машинного обучения с помощью TensorSCONE Framework

Если вы хотите разрабатывать надежные и безопасные приложения машинного обучения (ML), исследователи рекомендуют TensorSCONE, безопасную аппаратно-ориентированную структуру машинного обучения на основе Intel SGX. TensorSCONE обеспечивает прозрачность и высокую производительность без ущерба для точности. В отличие от предыдущих моделей обеспечения конфиденциальности и целостности данных, дизайн и архитектура TensorSCONE основаны на TensorFlow и поддерживают как обучение, так и классификацию.

Эта структура использует достижения Intel SGX, чтобы обеспечить строгую конфиденциальность и гарантии целостности для любого приложения машинного обучения, развернутого в ненадежной веб-инфраструктуре. TensorSCONE был протестирован с помощью нескольких тестов, а также в реальном приложении и показал высокие характеристики безопасности и высокую производительность.

Возможное использование и эффекты

TensorSCONE предоставляет инженерам машинного обучения модель, которая помогает им разрабатывать и выполнять безопасные приложения машинного обучения с использованием частных и конфиденциальных данных без ущерба для точности и производительности. Кроме того, поскольку он основан на TensorFlow, одном из самых популярных фреймворков машинного обучения, он может поддерживать широкий спектр немодифицированных существующих приложений машинного обучения.

Подробнее: https://arxiv.org/abs/1902.04413v1

Улучшение оценки глубокой позы экстремальных и диких движений

В выпущенном методе применяется Post-Data Augmentation, чтобы помочь улучшить глубокую оценку позы человека при экстремальных и диких движениях. Как это работает? Путем дополнения входных данных техникой увеличения вращения и использования процедуры оценки позы более одного раза для каждого кадра. После этого наиболее последовательная поза и ее движения реконструируются для сглаживания. Новая модель систематически тестировалась, и результаты показывают, что это эффективный метод улучшения общего качества в сценариях оценки экстремальных или диких поз и нестандартных поз.

Возможное использование и эффекты

Этот алгоритм оценки глубокой позы можно использовать для различных захватов дикого / экстремального движения человека и модификации виртуальных аватаров, что было чрезвычайно сложно применить в прошлом. Метод дополнения пост-данных также может быть эффективно использован во многих приложениях HCI, UI и спортивной науки. Кроме того, этот метод вдохновляет на применение техник DNN для пользователей в областях приложений, выходящих за рамки полей машинного обучения.

Подробнее: https://arxiv.org/abs/1902.04250v1

Эффективное извлечение изображения лица с помощью техники (CMH-ECC)

Исследователи представили новую модель глубокого кросс-модального хеширования с исправлением ошибок (CMH-ECC), которая реализует растровое изображение для определения определенных лицевых атрибутов для достижения релевантного извлечения изображения лица из систем баз данных с использованием заданного атрибута запроса. Результаты тестирования, основанные на двух стандартных общедоступных наборах данных, показывают, что новая модель превосходит традиционные алгоритмы поиска изображений.

Хотя современные методы поиска изображений лиц дают впечатляющие результаты, правда в том, что они все еще не имеют эффективных процедур для уточнения атрибутов лиц при поиске изображений. Коды с исправлением ошибок в предлагаемой модели реализованы для уменьшения расстояния Хэмминга и повышения эффективности поиска за счет глубокого кросс-модального хеширования.

Кроме того, CMH-ECC выполняет поиск изображения лица с использованием точечных данных без необходимости использовать парные или тройные входные данные для обучения, что делает его масштабируемым до чрезвычайно огромных наборов данных.

Возможное использование и эффекты

Благодаря новой модели CMH-ECC исследователи, дизайнеры и разработчики теперь могут получать изображения лиц с точным соответствием и улучшенными результатами. Модель также может стать началом эволюционных высокопроизводительных приложений машинного обучения нового поколения, основанных на изображениях лиц. Это может улучшить системы безопасности на основе камер.

Подробнее: https://arxiv.org/abs/1902.04139v1

Простые универсальные настройки для обучения модели обнаружения объектов для повышения точности

Исследователи недавно изучили настройки обучения универсальной модели, которые могут помочь повысить производительность модели обнаружения объектов без увеличения вычислительных затрат. Результаты тестирования показали, что с помощью этих перков можно достичь примерно 5-процентного увеличения абсолютной точности при обучении обнаружению объектов, о чем должен подумать каждый инженер ИИ, подающий заявку.

Во-первых, исследователи изучают метод смешивания при обнаружении объектов и распознают особые свойства в нескольких задачах обнаружения объектов, которые помогают в преобразованиях с сохранением пространства. Исходя из этого, они предлагают смешанное визуально связное изображение для любых задач обнаружения объектов. Во-вторых, они исследуют комплексные конвейеры обучения, такие как планирование скорости обучения, снижение веса и скоординированный BatchNorm. Наконец, они исследуют эффективность предлагаемых улучшений обучения, постепенно собирая их для обучения одно- и многоступенчатых моделей обнаружения объектов.

Возможное использование и эффекты

Кому в сообществе исследователей ИИ не нужны бесплатные подарки, которые помогают улучшить их работу? Объединение и внедрение этих настроек означает, что исследователи получают легкий путь для обучения моделей детекторов объектов с дополнительными вычислительными затратами. Подобные исследования также помогают ученым и инженерам разрабатывать усовершенствованные и более эффективные алгоритмы обнаружения объектов в будущем.

Подробнее: https://arxiv.org/abs/1902.04103v1

Примеры состязательных программ IoT-систем для надежной среды тестирования

Ученые и исследователи в области безопасности искусственного интеллекта считают критически важным наличие основы для тестирования надежности систем обнаружения вредоносных программ Интернета вещей. Признавая, что современные методы создания состязательных выборок в основном требуют параметров обучающей модели и большинство из них нацелены на данные изображений, исследователи предложили методику проверки F для L основанные на доходах системы защиты A ndroid M для устройств IoT (TLAMD), которые помогают защитить устройства IoT от злонамеренных образцов.