कंप्यूटर विज़न में रुझान. आईसीसीवी 2019 हाइलाइट्स

कंप्यूटर विज़न में तंत्रिका नेटवर्क सक्रिय रूप से विकसित हो रहे हैं, कई समस्याएं अभी भी हल होने से दूर हैं। अपने क्षेत्र में ट्रेंड में रहने के लिए, बस ट्विटर पर प्रभावशाली लोगों का अनुसरण करें और arXiv.org पर प्रासंगिक लेख पढ़ें। लेकिन हमें इंटरनेशनल कॉन्फ्रेंस ऑन कंप्यूटर विज़न (ICCV) 2019 में जाने का अवसर मिला। इस साल यह दक्षिण कोरिया में आयोजित किया जा रहा है। अब हम हैबर पाठकों के साथ वह साझा करना चाहते हैं जो हमने देखा और सीखा।

यांडेक्स से हममें से बहुत से लोग वहां आए थे: सेल्फ-ड्राइविंग कारों के डेवलपर्स, शोधकर्ता और सेवाओं में सीवी कार्यों से निपटने वाले लोग आए थे। लेकिन अब हम अपनी टीम - मशीन इंटेलिजेंस लेबोरेटरी (यांडेक्स MILAB) का थोड़ा व्यक्तिपरक दृष्टिकोण प्रस्तुत करना चाहते हैं। अन्य लोगों ने संभवतः सम्मेलन को अपने-अपने दृष्टिकोण से देखा।

प्रयोगशाला क्या करती है?हम मनोरंजन प्रयोजनों के लिए छवियों और संगीत के निर्माण से संबंधित प्रायोगिक परियोजनाएँ करते हैं। हम विशेष रूप से तंत्रिका नेटवर्क में रुचि रखते हैं जो आपको उपयोगकर्ता से सामग्री बदलने की अनुमति देता है (फोटो के लिए, इस कार्य को छवि हेरफेर कहा जाता है)। उदाहरण YaC 2019 सम्मेलन से हमारे काम का परिणाम।
बहुत सारे वैज्ञानिक सम्मेलन होते हैं, लेकिन शीर्ष पर तथाकथित ए* सम्मेलन होते हैं, जहां आमतौर पर सबसे दिलचस्प और महत्वपूर्ण प्रौद्योगिकियों पर लेख प्रकाशित होते हैं। A* सम्मेलनों की कोई सटीक सूची नहीं है, यहां एक अनुमानित और अधूरी सूची है: NeurIPS (पूर्व में NIPS), ICML, SIGIR, WWW, WSDM, KDD, ACL, CVPR, ICCV, ECCV। अंतिम तीन सीवी विषय में विशेषज्ञ हैं।

ICCV एक नज़र में: पोस्टर, ट्यूटोरियल, कार्यशालाएँ, स्टैंड

सम्मेलन में 1075 पेपर प्राप्त हुए, 7500 प्रतिभागी थे। 103 लोग रूस से आए थे, यांडेक्स, स्कोलटेक, सैमसंग एआई सेंटर मॉस्को और समारा विश्वविद्यालय के कर्मचारियों के लेख थे। इस वर्ष, कई शीर्ष शोधकर्ताओं ने ICCV का दौरा नहीं किया, लेकिन, उदाहरण के लिए, एलेक्सी (एलोशा) एफ्रोस, जो हमेशा बहुत से लोगों को आकर्षित करते हैं:

सांख्यिकी









ऐसे सभी सम्मेलनों में लेख पोस्टर के रूप में प्रस्तुत किये जाते हैं (अधिक प्रारूप के बारे में), और सर्वोत्तम रिपोर्टें भी लघु रिपोर्ट के रूप में प्रस्तुत की जाती हैं।

यहां रूस की कुछ कृतियां दी गई हैं





ट्यूटोरियल के साथ आप किसी विशेष विषय क्षेत्र में गहराई तक जा सकते हैं; यह किसी विश्वविद्यालय में व्याख्यान की याद दिलाता है। इसे आमतौर पर विशिष्ट कार्यों के बारे में बात किए बिना, एक व्यक्ति द्वारा पढ़ा जाता है। एक बढ़िया ट्यूटोरियल का एक उदाहरण (माइकल ब्राउन, कंप्यूटर विज़न के लिए रंग और इन-कैमरा इमेज प्रोसेसिंग पाइपलाइन को समझना):

कार्यशालाओं में, इसके विपरीत, वे लेखों के बारे में बात करते हैं। आमतौर पर ये किसी संकीर्ण विषय पर काम होते हैं, छात्रों के सभी नवीनतम कार्यों के बारे में प्रयोगशाला प्रमुखों की कहानियाँ, या लेख जिन्हें मुख्य सम्मेलन में स्वीकार नहीं किया गया था।

प्रायोजक कंपनियाँ स्टैंड के साथ ICCV में आती हैं। इस वर्ष, Google, Facebook, Amazon और कई अन्य अंतर्राष्ट्रीय कंपनियाँ आईं, साथ ही बड़ी संख्या में स्टार्टअप - कोरियाई और चीनी भी आए। विशेष रूप से ऐसे कई स्टार्टअप थे जो डेटा टैगिंग में विशेषज्ञता रखते थे। स्टैंड पर प्रदर्शन होते हैं, आप सामान ले सकते हैं और प्रश्न पूछ सकते हैं। शिकार के उद्देश्य से प्रायोजक कंपनियों की पार्टियाँ होती हैं। यदि आप भर्तीकर्ताओं को आश्वस्त करते हैं कि आप रुचि रखते हैं और आप संभावित रूप से साक्षात्कार पास कर सकते हैं तो आप उनमें शामिल हो सकते हैं। यदि आपने एक लेख प्रकाशित किया है (या, इसके अलावा, इसे प्रस्तुत किया है), पीएचडी शुरू की है या समाप्त कर रहे हैं, तो यह एक प्लस है, लेकिन कभी-कभी आप कंपनी के इंजीनियरों से दिलचस्प प्रश्न पूछकर स्टैंड पर बातचीत कर सकते हैं।

प्रवृत्तियों

सम्मेलन आपको संपूर्ण सीवी क्षेत्र पर एक नज़र डालने की अनुमति देता है। किसी विशेष विषय पर पोस्टरों की संख्या से आप यह आकलन कर सकते हैं कि विषय कितना चर्चित है। कुछ निष्कर्ष कीवर्ड के आधार पर स्वयं सुझाते हैं:

शून्य-शॉट, एक-शॉट, कुछ-शॉट, स्व-पर्यवेक्षित और अर्ध-पर्यवेक्षित: लंबे समय से अध्ययन किए गए कार्यों के लिए नए दृष्टिकोण

लोग डेटा का अधिक प्रभावी ढंग से उपयोग करना सीख रहे हैं। उदाहरण के लिए, में FUNIT उन जानवरों के चेहरे के भाव उत्पन्न करना संभव है जो प्रशिक्षण सेट में नहीं थे (आवेदन में, कई संदर्भ चित्र प्रदान करके)। डीप इमेज प्रायर के विचार विकसित किए गए हैं, और अब GAN नेटवर्क को एक ही छवि पर प्रशिक्षित किया जा सकता है - हम इसके बारे में नीचे बात करेंगे हाइलाइट्स में. आप पूर्व-प्रशिक्षण के लिए स्व-पर्यवेक्षण का उपयोग कर सकते हैं (एक समस्या को हल करना जिसके लिए आप संरेखित डेटा को संश्लेषित कर सकते हैं, जैसे किसी चित्र के घूर्णन कोण की भविष्यवाणी करना) या लेबल किए गए और बिना लेबल वाले डेटा से एक साथ सीख सकते हैं। इस अर्थ में लेख को सृजन का मुकुट माना जा सकता है S4L: स्व-पर्यवेक्षित अर्ध-पर्यवेक्षित शिक्षण. और यहाँ ImageNet पर पूर्व-प्रशिक्षण है हमेशा नहीं मदद करता है।

3डी और 360°

जो समस्याएँ अधिकतर फ़ोटो (सेगमेंटेशन, डिटेक्शन) के लिए हल की गई थीं, उन्हें 3D मॉडल और पैनोरमिक वीडियो के लिए अतिरिक्त शोध की आवश्यकता होती है। हमने RGB और RGB-D को 3D में परिवर्तित करने पर कई लेख देखे हैं। कुछ समस्याएं, जैसे मानव मुद्रा का अनुमान, 3डी मॉडल पर जाकर अधिक स्वाभाविक रूप से हल की जा सकती हैं। लेकिन अभी तक इस बात पर कोई सहमति नहीं है कि XNUMXडी मॉडल को वास्तव में कैसे प्रस्तुत किया जाए - एक जाल, पॉइंट क्लाउड, वोक्सल्स या एसडीएफ के रूप में। यहाँ एक और विकल्प है:

पैनोरमा में, गोले पर घुमाव सक्रिय रूप से विकसित हो रहे हैं (देखें)। इकोसाहेड्रोन क्षेत्रों पर अभिविन्यास-जागरूक सिमेंटिक विभाजन) और फ़्रेम में मुख्य ऑब्जेक्ट खोजें।

मुद्रा का पता लगाना और मानव गतिविधि की भविष्यवाणी

2डी में पोज़ डिटेक्शन में पहले से ही प्रगति हुई है - अब ध्यान कई कैमरों और 3डी में काम करने की ओर स्थानांतरित हो गया है। उदाहरण के लिए, आप मानव शरीर से गुजरते समय वाई-फाई सिग्नल में होने वाले परिवर्तनों को ट्रैक करके दीवार के माध्यम से एक कंकाल का भी पता लगा सकते हैं।

हैंड कीपॉइंट डिटेक्शन के क्षेत्र में बहुत काम किया गया है। नए डेटासेट सामने आए हैं, जिनमें दो लोगों के बीच संवाद के वीडियो पर आधारित डेटासेट भी शामिल हैं - अब आप बातचीत के ऑडियो या टेक्स्ट से हाथ के इशारों का अनुमान लगा सकते हैं! नेत्र ट्रैकिंग कार्यों (टकटकी आकलन) में भी यही प्रगति हुई है।

कोई मानव गति भविष्यवाणी से संबंधित कार्यों के एक बड़े समूह की भी पहचान कर सकता है (उदाहरण के लिए, स्पैटियो-टेम्पोरल इनपेंटिंग के माध्यम से मानव गति की भविष्यवाणी या संरचित भविष्यवाणी 3डी मानव गति मॉडलिंग में मदद करती है). यह कार्य महत्वपूर्ण है और, लेखकों के साथ बातचीत के आधार पर, इसका उपयोग अक्सर स्वायत्त ड्राइविंग में पैदल चलने वालों के व्यवहार का विश्लेषण करने के लिए किया जाता है।

फ़ोटो और वीडियो में लोगों के साथ छेड़छाड़, वर्चुअल फिटिंग रूम

मुख्य प्रवृत्ति व्याख्या योग्य मापदंडों के अनुसार चेहरे की छवियों को बदलने की है। विचार: एक तस्वीर के आधार पर डीपफेक, चेहरे की प्रस्तुति के आधार पर बदलती अभिव्यक्ति (कठपुतलीगण), फीडफॉरवर्ड—पैरामीटर बदलें (उदाहरण के लिए, उम्र). शैली का स्थानांतरण विषय के शीर्षक से हटकर कार्य के अनुप्रयोग तक हो गया है। वर्चुअल फिटिंग रूम एक अलग कहानी है; वे लगभग हमेशा खराब काम करते हैं, यहाँ एक उदाहरण है डेमो.

रेखाचित्र/ग्राफ़ से निर्माण

इस विचार का विकास "ग्रिड को पिछले अनुभव के आधार पर कुछ उत्पन्न करने दें" एक और विचार बन गया: "आइए ग्रिड को दिखाएं कि कौन सा विकल्प हमारी रुचि का है।"

एससी-फेगन आपको निर्देशित इनपेंट करने की अनुमति देता है: उपयोगकर्ता चित्र के मिटाए गए क्षेत्र में चेहरे के हिस्से को चित्रित करना समाप्त कर सकता है और पूर्णता के आधार पर एक पुनर्स्थापित चित्र प्राप्त कर सकता है।

ICCV के लिए 25 Adobe लेखों में से एक दो GAN को जोड़ता है: एक उपयोगकर्ता के लिए स्केच को पूरा करता है, दूसरा स्केच से एक फोटोरिअलिस्टिक छवि उत्पन्न करता है (प्रोजेक्ट पेज).

पहले, छवि निर्माण में ग्राफ़ की आवश्यकता नहीं होती थी, लेकिन अब उन्हें दृश्य के बारे में ज्ञान का एक कंटेनर बना दिया गया है। ICCV के परिणामों के आधार पर बेस्ट पेपर ऑनरेबल मेंशन पुरस्कार भी लेख ने जीता इंटरएक्टिव सीन जनरेशन में ऑब्जेक्ट गुण और संबंध निर्दिष्ट करना. सामान्य तौर पर, आप उन्हें विभिन्न तरीकों से उपयोग कर सकते हैं: चित्रों से ग्राफ़ उत्पन्न करें, या ग्राफ़ से चित्र और पाठ उत्पन्न करें।

लोगों और कारों की पुनः पहचान, भीड़ के आकार की गिनती (!)

कई लेख लोगों पर नज़र रखने और लोगों और मशीनों की पुनः पहचान करने के लिए समर्पित हैं। लेकिन जिस बात ने हमें आश्चर्यचकित किया वह भीड़ की गिनती पर लेखों का एक समूह था, जो सभी चीन से थे।

पोस्टर








लेकिन फेसबुक, इसके विपरीत, फोटो को गुमनाम कर देता है। और यह इसे एक दिलचस्प तरीके से करता है: यह अद्वितीय विवरण के बिना एक चेहरा उत्पन्न करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित करता है - समान, लेकिन इतना समान नहीं कि इसे चेहरे की पहचान प्रणालियों द्वारा सही ढंग से पहचाना जा सके।

प्रतिकूल हमलों से सुरक्षा

वास्तविक दुनिया में (स्वचालित कारों में, चेहरे की पहचान में) कंप्यूटर विज़न अनुप्रयोगों के विकास के साथ, ऐसी प्रणालियों की विश्वसनीयता का सवाल तेजी से उठता है। सीवी का पूरी तरह से उपयोग करने के लिए, आपको यह सुनिश्चित करना होगा कि सिस्टम प्रतिकूल हमलों के प्रति प्रतिरोधी है - यही कारण है कि हमलों के मुकाबले उनके खिलाफ सुरक्षा के बारे में कम लेख नहीं थे। नेटवर्क भविष्यवाणियों (प्रमुखता मानचित्र) को समझाने और परिणाम में विश्वास को मापने पर बहुत काम किया गया है।

संयुक्त कार्य

एक लक्ष्य वाले अधिकांश कार्यों में, गुणवत्ता में सुधार की संभावनाएं व्यावहारिक रूप से समाप्त हो जाती हैं; गुणवत्ता को और बढ़ाने के लिए नई दिशाओं में से एक तंत्रिका नेटवर्क को एक साथ कई समान समस्याओं को हल करना सिखाना है। उदाहरण:
- क्रिया भविष्यवाणी + ऑप्टिकल प्रवाह भविष्यवाणी,
— वीडियो प्रस्तुति + भाषा प्रस्तुति (वीडियोबर्ट),
- सुपर-रिज़ॉल्यूशन + एचडीआर.

विभाजन, मुद्रा निर्धारण और पशु पुनः पहचान पर भी लेख हैं!

हाइलाइट

लगभग सभी लेख पहले से ज्ञात थे, पाठ arXiv.org पर उपलब्ध था। इसलिए, एवरीबॉडी डांस नाउ, FUNIT, Image2StyleGAN जैसे कार्यों की प्रस्तुति अजीब लगती है - ये बहुत उपयोगी कार्य हैं, लेकिन नए नहीं हैं। ऐसा लगता है कि वैज्ञानिक प्रकाशनों की शास्त्रीय प्रक्रिया यहाँ टूट रही है - विज्ञान बहुत तेज़ी से आगे बढ़ रहा है।

सर्वोत्तम कार्यों का निर्धारण करना बहुत कठिन है - उनमें से कई हैं, विषय अलग हैं। अनेक आलेख प्राप्त हुए पुरस्कार और उल्लेख.

हम उन कार्यों को उजागर करना चाहते हैं जो छवि हेरफेर के दृष्टिकोण से दिलचस्प हैं, क्योंकि यह हमारा विषय है। वे हमारे लिए काफी ताज़ा और दिलचस्प साबित हुए (हम वस्तुनिष्ठ होने का दिखावा नहीं करते हैं)।

सिनगैन (सर्वश्रेष्ठ पेपर पुरस्कार) और इनगैन

सिनगान: प्रोजेक्ट पेज, arXiv, कोड.
इंगैन: प्रोजेक्ट पेज, arXiv, कोड.

दिमित्री उल्यानोव, एंड्रिया वेदल्डी और विक्टर लेम्पिट्स्की से डीप इमेज प्रायर विचार का विकास। किसी डेटासेट पर GAN को प्रशिक्षित करने के बजाय, नेटवर्क उसके अंदर के आँकड़ों को याद रखने के लिए उसी चित्र के टुकड़ों से सीखते हैं। प्रशिक्षित नेटवर्क आपको फ़ोटो को संपादित और एनिमेट करने (SinGAN) या स्थानीय संरचना (InGAN) को संरक्षित करते हुए मूल छवि के बनावट से किसी भी आकार की नई छवियां उत्पन्न करने की अनुमति देता है।

सिनगान:

इंगैन:

यह देखना कि GAN क्या उत्पन्न नहीं कर सकता

प्रोजेक्ट पेज.

तंत्रिका नेटवर्क जो छवियां उत्पन्न करते हैं वे अक्सर इनपुट के रूप में यादृच्छिक शोर का एक वेक्टर लेते हैं। एक प्रशिक्षित नेटवर्क में, कई इनपुट वैक्टर एक स्थान बनाते हैं, जिसके साथ छोटी-छोटी हरकतें तस्वीर में छोटे बदलाव लाती हैं। अनुकूलन का उपयोग करके, आप उलटी समस्या को हल कर सकते हैं: वास्तविक दुनिया से एक तस्वीर के लिए उपयुक्त इनपुट वेक्टर ढूंढें। लेखक दर्शाता है कि तंत्रिका नेटवर्क में पूरी तरह से मेल खाने वाली तस्वीर ढूंढना लगभग कभी भी संभव नहीं है। चित्र में कुछ वस्तुएँ उत्पन्न नहीं होती हैं (स्पष्ट रूप से इन वस्तुओं की बड़ी परिवर्तनशीलता के कारण)।

लेखक की परिकल्पना है कि GAN छवियों के पूरे स्थान को कवर नहीं करता है, बल्कि केवल कुछ उपसमुच्चय को कवर करता है, जो पनीर की तरह छिद्रों से भरा होता है। जब हम इसमें वास्तविक दुनिया की तस्वीरें ढूंढने का प्रयास करते हैं, तो हम हमेशा असफल होंगे, क्योंकि GAN अभी भी पूरी तरह से वास्तविक तस्वीरें उत्पन्न नहीं करता है। वास्तविक और उत्पन्न चित्रों के बीच के अंतर को केवल नेटवर्क के वजन को बदलकर, यानी इसे एक विशिष्ट फोटो के लिए पुनः प्रशिक्षित करके ही दूर किया जा सकता है।

जब नेटवर्क को किसी विशिष्ट फ़ोटो के लिए अतिरिक्त रूप से प्रशिक्षित किया जाता है, तो आप इस छवि के साथ विभिन्न जोड़तोड़ आज़मा सकते हैं। नीचे दिए गए उदाहरण में, फोटो में एक विंडो जोड़ी गई थी, और नेटवर्क ने अतिरिक्त रूप से रसोई इकाई पर प्रतिबिंब उत्पन्न किए। इसका मतलब यह है कि फोटोग्राफी के लिए अतिरिक्त प्रशिक्षण के बाद भी नेटवर्क ने दृश्य में वस्तुओं के बीच संबंध देखने की क्षमता नहीं खोई।

Ganalyze: संज्ञानात्मक छवि गुणों की दृश्य परिभाषाओं की ओर

प्रोजेक्ट पेज, arXiv.

इस कार्य के दृष्टिकोण का उपयोग करके, आप कल्पना और विश्लेषण कर सकते हैं कि तंत्रिका नेटवर्क ने क्या सीखा है। लेखक चित्र बनाने के लिए GAN को प्रशिक्षित करने का प्रस्ताव करते हैं जिसके लिए नेटवर्क निर्दिष्ट भविष्यवाणियाँ उत्पन्न करेगा। लेख में उदाहरण के तौर पर कई नेटवर्कों का उपयोग किया गया है, जिसमें मेमनेट भी शामिल है, जो फोटो यादगार होने की भविष्यवाणी करता है। यह पता चला कि बेहतर स्मरणीयता के लिए, फोटो में मौजूद वस्तु को यह करना चाहिए:

• केंद्र के करीब रहो
• अधिक गोल या चौकोर आकार और सरल संरचना हो,
• एक समान पृष्ठभूमि पर हो,
• अभिव्यंजक आँखें रखें (कम से कम कुत्ते की तस्वीरों के लिए),
• उज्जवल, अधिक संतृप्त, कुछ मामलों में, अधिक लाल होना।

लिक्विड वार्पिंग जीएएन: मानव गति अनुकरण, उपस्थिति स्थानांतरण और नवीन दृश्य संश्लेषण के लिए एक एकीकृत ढांचा

प्रोजेक्ट पेज, arXiv, कोड.

लोगों की फ़ोटो एक समय में एक फ़ोटो बनाने के लिए पाइपलाइन। लेखक एक व्यक्ति की गतिविधियों को दूसरे व्यक्ति में स्थानांतरित करने, लोगों के बीच कपड़े स्थानांतरित करने और एक व्यक्ति के नए कोण उत्पन्न करने के सफल उदाहरण दिखाते हैं - यह सब एक ही तस्वीर से। पिछले कार्यों के विपरीत, यहां हम स्थितियां बनाने के लिए 2डी (पोज़) में मुख्य बिंदुओं का नहीं, बल्कि शरीर के 3डी जाल (पोज़ + आकार) का उपयोग करते हैं। लेखकों ने यह भी पता लगाया कि मूल छवि से उत्पन्न छवि (लिक्विड वार्पिंग ब्लॉक) में जानकारी कैसे स्थानांतरित की जाए। परिणाम अच्छे दिखते हैं, लेकिन परिणामी छवि का रिज़ॉल्यूशन केवल 256x256 है। तुलना के लिए, vid2vid, जो एक साल पहले सामने आया था, 2048x1024 के रिज़ॉल्यूशन में उत्पन्न करने में सक्षम है, लेकिन इसे डेटासेट के रूप में 10 मिनट की वीडियो रिकॉर्डिंग की आवश्यकता होती है।

एफएसजीएएन: विषय अज्ञेयवादी फेस स्वैपिंग और पुनर्मूल्यांकन

प्रोजेक्ट पेज, arXiv.

प्रथम दृष्टया ऐसा लगता है कि इसमें कुछ भी असामान्य नहीं है: कमोबेश सामान्य गुणवत्ता वाला एक डीपफेक। लेकिन काम की मुख्य उपलब्धि एक तस्वीर से चेहरों का प्रतिस्थापन है। पिछले कार्यों के विपरीत, किसी विशिष्ट व्यक्ति की कई तस्वीरों पर प्रशिक्षण की आवश्यकता थी। पाइपलाइन बोझिल हो गई (पुनर्मूल्यांकन और विभाजन, दृश्य प्रक्षेप, इनपेंटिंग, सम्मिश्रण) और बहुत सारी तकनीकी खामियों के साथ, लेकिन परिणाम इसके लायक है।

छवि पुनर्संश्लेषण के माध्यम से अप्रत्याशित का पता लगाना

arXiv.

एक ड्रोन कैसे समझ सकता है कि एक वस्तु अचानक उसके सामने आ गई है जो किसी भी शब्दार्थ विभाजन वर्ग में नहीं आती है? कई विधियाँ हैं, लेकिन लेखक एक नया, सहज एल्गोरिदम प्रस्तावित करते हैं जो अपने पूर्ववर्तियों की तुलना में बेहतर काम करता है। इनपुट रोड छवि से सिमेंटिक विभाजन की भविष्यवाणी की जाती है। इसे GAN (pix2pixHD) में इनपुट के रूप में फीड किया जाता है, जो केवल सिमेंटिक मैप से मूल छवि को पुनर्स्थापित करने का प्रयास करता है। जो विसंगतियाँ किसी भी खंड में नहीं आतीं, वे आउटपुट और उत्पन्न छवि में काफी भिन्न होंगी। फिर तीन छवियों (मूल, विभाजन और पुनर्निर्मित) को दूसरे नेटवर्क में फीड किया जाता है जो विसंगतियों की भविष्यवाणी करता है। इसके लिए डेटासेट प्रसिद्ध सिटीस्केप्स डेटासेट से तैयार किया गया था, जो सिमेंटिक सेगमेंटेशन पर कक्षाओं को बेतरतीब ढंग से बदल रहा था। दिलचस्प बात यह है कि इस सेटिंग में, एक कुत्ता सड़क के बीच में खड़ा है, लेकिन सही ढंग से खंडित है (जिसका अर्थ है कि इसके लिए एक वर्ग है), यह कोई विसंगति नहीं है, क्योंकि सिस्टम इसे पहचानने में सक्षम था।

निष्कर्ष

सम्मेलन से पहले, यह जानना महत्वपूर्ण है कि आपकी वैज्ञानिक रुचियाँ क्या हैं, आप किन प्रस्तुतियों में भाग लेना चाहेंगे और किससे बात करनी है। तब सब कुछ बहुत अधिक उत्पादक होगा।

ICCV, सबसे पहले और सबसे महत्वपूर्ण, नेटवर्किंग है। आप समझते हैं कि शीर्ष संस्थान और शीर्ष वैज्ञानिक विभाग हैं, आप इसे समझना शुरू करते हैं, लोगों को जानना शुरू करते हैं। और आप arXiv पर लेख पढ़ सकते हैं - और वैसे, यह बहुत अच्छा है कि आपको ज्ञान प्राप्त करने के लिए कहीं भी जाने की ज़रूरत नहीं है।

इसके अलावा, सम्मेलन में आप उन विषयों पर गहराई से विचार कर सकते हैं जो आपके करीब नहीं हैं और रुझान देख सकते हैं। खैर, पढ़ने के लिए लेखों की एक सूची लिखें। यदि आप एक छात्र हैं, तो यह आपके लिए एक संभावित शिक्षक से मिलने का अवसर है, यदि आप उद्योग से हैं, तो एक नए नियोक्ता के साथ, और यदि एक कंपनी है, तो खुद को दिखाने का।

सदस्यता लें @लॉस_फंक्शन_पोर्न! यह एक निजी परियोजना है: हम साथ मिलकर इसका नेतृत्व कर रहे हैं karfly. हमने वे सभी कार्य यहां पोस्ट किए जो हमें सम्मेलन के दौरान पसंद आए: @लॉस_फंक्शन_लाइव.

स्रोत: www.habr.com