Learning by Asking Questions

最新推荐文章于 2022-03-01 00:55:37 发布
最新推荐文章于 2022-03-01 00:55:37 发布
阅读量421 收藏 1
点赞数
分类专栏： 每天一篇论文 文章标签： Paper
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CSS360/article/details/96427512
版权

论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Misra_Learning_by_Asking_CVPR_2018_paper.pdf

摘要

       我们介绍一个交互式的学习框架来发展和测试智能视觉系统，叫做学习通过询问（LBA）。我们挖掘LBA在内容上，关于视觉问题回答（VQA）任务。LBA不同于标准的VQA训练，在很多问题上，其中不被注视在训练过程中，学习者必须询问问题，它想回答的。因此，LBA比较贴近模仿自然学习和有潜在的较多有效数据比传统VQA集。我们展示了一个模型，能够表现LBA在CLEVR数据集上，以及表明它是自动发现一个由易到难课程，当学习交互从一个对话中。我们的LBA生成数据和有较多有效样本。我们也展示我们的模型问问题，普遍是先进的比VQA模型，新颖的在测试时间分配上。

LBA范例

                           

LBA系统架构

不同迭代次数下

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：

下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料

元宇宙MetaAI
关注
专栏目录
【论文阅读】Learning to Retrieve Reasoning Paths over Wikipedia Graph for Question Answering
没有胡子的猫Asimov
07-10 362
Learning to Retrieve Reasoning Paths over Wikipedia Graph for Question Answering 论文：https://arxiv.org/abs/1911.10470 代码：https://github.com/AkariAsai/learning_to_retrieve_reasoning_paths 学习在维基百科中检索问题的推理路径 基于推理路径 任务 从维基百科中提取推理路径实现多轮问答。 多轮问答： 需要结合多篇文档的“
Learning to Generate Questions by Learning What not to Generate阅读笔记
xulijun_811的博客
06-24 1226
再次调试代码后 简单记录了项目的结构和主要流程 一 加载数据集，用spacy进行预处理，提取词汇特征，保存成.pkl文件。 二 做嵌入，通过glove文件嵌入初始化每个向量，原文是glove.500B.100d.txt,运行内存不足，我换成了glove.6B.50d.txt.在prepro_util.py文件里做单词嵌入、答案位置嵌入、ner、pos、dep、iob等嵌入，得到嵌入矩阵和字典，构建特征实例。生成output里txt文件。 三 线索预测器 对于每个训练示例，我们都会得到输入通道和输.
Learning by Asking Questions 导读
JayShaun的博客
01-11 633
论文链接Arxiv 本文所提出的LBA不同于标准的VQA模型，LBA在训练时大部分question是不给出的，学习器必须问出它想回答的问题，这样做可以达到与环境交互的目的，就像是课堂上一个聪明的学生会问出有用的好问题来促进自己学习。大体步骤如下： 1）学习器需要一个语言模型来生成问题； 2）学习器需要理解视觉图像以确保问出的问题与图像是相关的； 3）学习器应该有“自知之明”，能够自我评价，换句话说...
总结 CVPR 2018 显著性目标检测文章
taxuewuhenxiaoer
01-09 528
总结 CVPR 2018 显著性目标检测文章 Progressive Attention Guided Recurrent Network for Salient Object Detection Learning to Promote Saliency Detectors Salient Object Detection Driven by Fixation Prediction A Bi-D...
深度学习Deep learning
GarfieldEr007的专栏
03-20 4411
In the last chapter we learned that deep neural networks are often much harder to train than shallow neural networks. That's unfortunate, since we have good reason to believe that if we could train
Quotes on Learning
CodingIsFun
08-01 1488
A good teacher can inspire hope, ignite the imagination, and instill a love of learning. Brad Henry There is no end to education. It is not that you read a book, pass an examination, and finish with...
Awesome Machine Learning
a1424262219的博客
08-22 481
Awesome Machine Learning A curated list of awesome machine learning frameworks, libraries and software (by language). Inspired by awesome-php. If you want to contribute to this ...
Conceptual Challenges for Interpretable Machine Learning
weixin_42786150的博客
03-01 1371
Conceptual Challenges for Interpretable Machine Learning David S. Watson1 'Department of Statistical Science, University College London, London, UK Email for correspondence: david.watson@ucl.ac.uk §0 Abstract As machine learning has gradually entere..
Learning Boost C++ Libraries 原版pdf by Mukherjee
04-27
In using many more Boost libraries to write software since then, I often found myself digging deep into the documentation, or asking questions on the mailing list and online forums to understand ...
Machine Learning for OpenCV
08-15
OpenCV machine learning connects the fundamental theoretical principles behind machine learning to their practical applications in a way that focuses on asking and answering the right questions....
GA-Net: Guided Aggregation Net for End-to-end Stereo Matching
CSS360的博客
06-26 3813
Code：https://github.com/feihuzhang/GANet 摘要 在立体匹配任务中，匹配损失配准是至关重要的在传统方法和深度神经网络模型中，为了精确估计差异。我们提出了两个新颖的神经网络层，目的去捕获一个局部和全局图像的成本依赖性。第一个是半全局聚集层，它是半监督匹配的一个可微近似，第二个是局部引导聚集层，它是使用了一个传统的损失滤波策略来简化结构。 ...
An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition
CSS360的博客
06-30 2815
论文链接：https://arxiv.org/pdf/1902.09130.pdf 摘要 基于骨架的动作识别是一个非常重要的任务，需要足够的理解移动特点一个人活动，从给定的骨架序列。最近的研究已经展示，探索空间和时间的特征在骨架序列上，是非常重要的对于这个任务。尽管，如何去有效去提取有判断力的空间和时间特征仍然是一个具有挑战的问题。在这篇文章中，我们提出一个新颖的注意增强图卷积L...
Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Dr
CSS360的博客
07-04 2326
项目链接：https://mileyan.github.io/pseudo_lidar/ 代码链接：https://github.com/mileyan/pseudo_lidar 摘要 3D目标检测是一个重要的任务在自动驾驶领域。最近高精度检测率技术清单中，提供3D输入数据被提供从精确但是昂贵的LiDAR（激光雷达）技术。方法基于便宜的单目或者立体图像数据，直到现在，结果全部都...
BAD SLAM: Bundle Adjusted Direct RGB-D SLAM
CSS360的博客
06-27 1512
开源代码：http://www.eth3d.net/ 摘要 即时定位和重建（SLAM）系统的一个关键组成是加入3D图评估和相机轨迹的优化。捆绑调整（BA）对于这个是黄金标准。由于在稠密RGB-D SLAM中大量的变量，先前的工作集中在BA近似。相反，在这篇文章中，我们提出一个新颖快速直接BA方案，来应用到一个实时稠密的RGB-D SLAM 算法。 另外，我们展示...
Video Enhancement with Task-Oriented Flow
CSS360的博客
07-15 1452
项目地址：http://toflow.csail.mit.edu/ 摘要 一些视频增强算法依靠光流来存储帧在一个视频序列中。精确光流估计然而是很难处理的；以及光流它自己本身是一个局部最优的展现对于特别视频处理任务。在这篇文章中，我们提出了任务导向流（TOFlow），一个动作展示学习在一个自监督，特定任务方式。我们设计了一个神经网络使用一个训练的动向估计组成和一个视频处理组成，以...
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
CSS360的博客
07-05 1417
open source：https://github.com/deepinsight/insightface 摘要 一个主要的挑战在特征学习，使用深度卷积神经网络（DCNNs）对大尺度人脸识别，是设计合适loss函数，它能够增强区别。中心损失距离在深度特征和他们相应的类中心在欧几里得空间去实现类内紧度。球体猜测这个线性转换矩阵在最后全卷积层，能够使用作为一个表示类中在欧几里得空...
批判性思维指南：问对问题
"Asking the Right Questions.pdf" 是一本关于批判性思维的指南，由M. Neil Browne和Stuart M. Keeley合著，适用于提高分析问题和理性决策的能力。 在学习和生活中，提出正确的问题是发展批判性思维的关键。本书第...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值