Relative Attributes

August 25, 2018 By admin

ਰਿਸ਼ਤੇਦਾਰ ਗੁਣ

ਮੈਰ ਪੁਰਸਕਾਰ (ਬੈਸਟ ਪੇਪਰ ਅਵਾਰਡ) ਜੇਤੂ, ਆਈਸੀਸੀਵ 2011

ਦੇਵੀ ਪਾਰਿਖ ਅਤੇ ਕ੍ਰਿਸਟਨ ਗ੍ਰੁਆਮਨ

“ਸਤਰੰਗੀ ਪੀਂਘ ਵਿੱਚ ਕੌਣ ਰੇਖਾ ਖਿੱਚ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਬੈਕਲਾਟ ਚਮਕ ਦੀ ਸਮਾਪਤੀ ਹੁੰਦੀ ਹੈ ਅਤੇ ਸੰਤਰਾ ਟੈਂਟ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ? ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਅਸੀਂ ਰੰਗਾਂ ਦੇ ਫਰਕ ਨੂੰ ਵੇਖਦੇ ਹਾਂ, ਪਰੰਤੂ ਜਿੱਥੇ ਪਹਿਲਾਂ ਕਿਸੇ ਨੂੰ ਨਿੰਦਿਆ ਜਾਂਦਾ ਹੈ, ਉਹ ਦੂਜੇ ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕਰਦੇ ਹਨ.
– ਹਰਮਨ ਮੇਲਵਿਲ, ਬਿਲੀ ਬੁੱਡ

Relative_Attributes_-_2018-08-25_10.50.28
ਐਬਸਟਰੈਕਟ

ਮਾਨਵ-ਨਾਮਕ ਵਿਜ਼ੁਅਲ “ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ” ਨੂੰ ਕਈ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਕਿਰਿਆਵਾਂ ਦਾ ਫਾਇਦਾ ਹੋ ਸਕਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਮੌਜੂਦਾ ਤਕਨੀਕ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸੰਖੇਪ ਲੇਬਲਾਂ ਵਿੱਚ ਪਾਉਂਦੇ ਹਨ (ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਵਿਅਕਤੀ ‘ਮੁਸਕਰਾ ਰਿਹਾ ਹੈ’ ਜਾਂ ਨਹੀਂ, ਇੱਕ ਦ੍ਰਿਸ਼ ‘ਖੁਸ਼ਕ’ ਹੈ ਜਾਂ ਨਹੀਂ), ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਆਮ ਸਧਾਰਣ ਰਿਸ਼ਤੇਾਂ ਨੂੰ ਹਾਸਲ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ. ਅਸੀਂ ਅਨੁਸਾਰੀ ਗੁਣ ਮਾਡਲ ਦੇ ਪ੍ਰਸਤਾਵ ਵੱਖੋ ਵੱਖਰੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ ਔਬਜੈਕਟ / ਸੀਨ ਦੇ ਵਰਗਾਂ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਤ ਹੈ, ਇਸ ਬਾਰੇ ਦੱਸਦੇ ਹੋਏ ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਅਸੀਂ ਹਰੇਕ ਗੁਣ ਦੇ ਰੈਂਕਿੰਗ ਫੰਕਸ਼ਨ ਨੂੰ ਸਿੱਖਦੇ ਹਾਂ. ਸਿਖਿਆਰਥੀ ਰੈਕਿੰਗ ਫੰਕਸ਼ਨ ਹਰ ਸੰਪਤੀ ਦੀ ਸਾਕਾਰਾਤਮਕ ਤਾਕਤ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਦੇ ਹਨ. ਫਿਰ ਅਸੀਂ ਵਿਸ਼ੇਸ਼ਤਾ ਰੈਂਕਿੰਗ ਆਉਟਪੁੱਟਸ ਦੇ ਸੰਯੁਕਤ ਸਪੇਸ ਤੇ ਇੱਕ ਜਨਰੇਟਿਵ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਾਂ, ਅਤੇ ਜ਼ੀਰੋ-ਸ਼ਾਟ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਨਾਵਲ ਰੂਪ ਪ੍ਰਸਤੁਤ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਸੁਪਰਵਾਈਜ਼ਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਰਾਹੀਂ ਪਹਿਲਾਂ ਵੇਖਿਆ ਗਿਆ ਵਸਤੂਆਂ ਤੋਂ ਅਣਜਾਣ ਵਸਤੂ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ‘ਬੇਅਰ ਗਿਰਫ਼ਾਂ ਨਾਲੋਂ ਫ਼ਰਿਅਰ ਹਨ ‘). ਅਸੀਂ ਅੱਗੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਪ੍ਰਸਤਾਵਿਤ ਅਨੁਸਾਰੀ ਗੁਣਾਂ ਨਵੇਂ ਚਿੱਤਰਾਂ ਲਈ ਵਿਕਸਤ ਪਾਠਕ ਵੇਰਵੇ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਜੋ ਕਿ ਮਨੁੱਖੀ ਵਿਆਖਿਆ ਲਈ ਅਭਿਆਸ ਵਿੱਚ ਵਧੇਰੇ ਸਹੀ ਹਨ. ਅਸੀਂ ਚਿਹਰਿਆਂ ਅਤੇ ਕੁਦਰਤੀ ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਡਾਟਾਸੈਟਾਂ ‘ਤੇ ਪਹੁੰਚ ਨੂੰ ਪ੍ਰਦਰਸ਼ਤ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਨ੍ਹਾਂ ਨਵੇਂ ਕੰਮਾਂ ਲਈ ਰਵਾਇਤੀ ਬਾਈਨਰੀ ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਦੇ ਸਪੱਸ਼ਟ ਫਾਇਦੇ ਦਿਖਾਉਂਦੇ ਹਾਂ.

ਪ੍ਰੇਰਣਾ

ਬਾਇਨਰੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪ੍ਰਤਿਬੰਧਿਤ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਕੁਦਰਤੀ ਹੋ ਸਕਦੀਆਂ ਹਨ ਉਪਰੋਕਤ ਉਦਾਹਰਣਾਂ ਵਿੱਚ, ਜਦੋਂ ਕੋਈ ਚਿੱਤਰ ਨੂੰ ਕ੍ਰਮਵਾਰ ਕੁਦਰਤੀ ਅਤੇ ਮਨੁੱਖ ਦੁਆਰਾ ਬਣਾਈ ਚੋਟੀ ਦੇ ਖੱਬੇ ਅਤੇ ਉੱਪਰ ਸੱਜੇ ਤੇ ਚਿੱਤਰ ਨੂੰ ਨੁਮਾਇੰਦ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਉੱਪਰਲੇ ਕੇਂਦਰ ਵਿੱਚ ਚਿੱਤਰ ਦਾ ਕੀ ਵਰਣਨ ਕਰਦੇ ਹੋ? ਇਸਦਾ ਵਿਸ਼ੇਸ਼ਣ ਕਰਨ ਦਾ ਇਕੋ ਇਕ ਅਰਥਪੂਰਨ ਤਰੀਕਾ ਦੂਜੀਆਂ ਚਿੱਤਰਾਂ ਦੇ ਸਬੰਧ ਵਿਚ ਹੈ: ਖੱਬੇ ਪਾਸੇ ਚਿੱਤਰ ਨਾਲੋਂ ਇਹ ਕੁਦਰਤੀ ਹੈ, ਪਰ ਸੱਜੇ ਪਾਸੇ ਤੋਂ ਚਿੱਤਰ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਹੈ.

ਪ੍ਰਸਤਾਵ

ਇਸ ਕੰਮ ਵਿੱਚ, ਅਸੀਂ ਆਦਰਸ਼ਾਂ ਦੇ ਮਾਡਲ ਨੂੰ ਪ੍ਰਸਤੁਤ ਕਰਦੇ ਹਾਂ. ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਰਨ ਦੇ ਵਿਰੋਧੀ ਵਜੋਂ, ਇੱਕ ਅਨੁਭਵੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕਿਸੇ ਹੋਰ ਪ੍ਰਤੀਬਿੰਬ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਤਾਕਤ ਦਰਸਾਉਂਦੀ ਹੈ. ਵਧੇਰੇ ਕੁਦਰਤੀ ਹੋਣ ਦੇ ਨਾਲ, ਅਨੁਸਾਰੀ ਵਿਸ਼ੇਸ਼ਤਾ ਸੰਚਾਰ ਦੇ ਇੱਕ ਅਮੀਰ ਢੰਗ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ, ਇਸ ਪ੍ਰਕਾਰ ਹੋਰ ਵਿਸਥਾਰਤ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ (ਅਤੇ ਇਸ ਲਈ ਸੰਭਾਵਿਤ ਤੌਰ ਤੇ ਉੱਚ ਪਛਾਣ ਸ਼ੁੱਧਤਾ) ਤੱਕ ਪਹੁੰਚ, ਅਤੇ ਨਾਲ ਹੀ ਨਾਵਲ ਚਿੱਤਰਾਂ ਦੇ ਹੋਰ ਜਾਣਕਾਰੀ ਦੇਣ ਵਾਲੇ ਵੇਰਵਿਆਂ ਨੂੰ ਪੈਦਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ.

ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਵਿਵਹਾਰ ਨੂੰ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ ਜੋ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ ਰੈਂਕਿੰਗ ਫੰਕਸ਼ਨ ਸਿੱਖਦਾ ਹੈ, ਉਦਾਹਰਣ ਦੇ ਜੋੜਿਆਂ (ਜਾਂ ਕੁਝ ਹੋਰ ਉਦਾਹਰਣਾਂ ਤੇ ਆਮ ਤੌਰ ‘ਤੇ ਅੰਸ਼ਿਕ ਕ੍ਰਮ)’ ਤੇ ਅਨੁਸਾਰੀ ਸਮਾਨਤਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਅਨੁਸਾਰ. ਸਿਖਿਆਰਥੀ ਰੈਂਕਿੰਗ ਫੰਕਸ਼ਨ ਉਨ੍ਹਾਂ ਚਿੱਤਰਾਂ ਲਈ ਇੱਕ ਅਸਲੀ-ਮਾਣਿਤ ਰੈਂਕ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਅਨੁਸਾਰੀ ਤਾਕਤ ਮੌਜੂਦ ਹੈ.

ਅਸੀਂ ਜ਼ੀਰੋ-ਸ਼ਾਟ ਲਰਨਿੰਗ ਅਤੇ ਚਿੱਤਰਾਂ ਦੇ ਵਰਣਨ ਦੇ ਨਵੇਂ ਰੂਪ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਰਿਸ਼ਤੇਦਾਰਾਂ ਦੇ ਗੁਣਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦਾ ਫਾਇਦਾ ਉਠਾਉਂਦੇ ਹਨ.

ਪਹੁੰਚ

ਸਰੀਰਕ ਸਬੰਧਾਂ ਨੂੰ ਸਿਖਣਾ: ਹਰੇਕ ਅਨੁਭਵੀ ਗੁਣ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੁਆਰਾ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤੁਲਨਾਤਮਕ ਨਿਗਰਾਨੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ:

ਇਕ ਵਿਆਪਕ-ਮਾਰਜਿਨ ਰੈਂਕਿੰਗ ਫੰਕਸ਼ਨ (ਸੱਜੇ) ਸਿੱਖਣ ਵਿਚ ਫਰਕ ਹੈ ਜੋ ਸਿਖਲਾਈ ਦੇ ਅੰਕ (1-6) ਤੇ ਲੋੜੀਂਦੀ ਕ੍ਰਮ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ ਅਤੇ ਇਕ ਵਿਸ਼ਾਲ-ਮਾਰਜਰੀ ਬਾਈਨਰੀ ਕਲਾਸੀਫਾਇਰ (ਖੱਬੇ) ਹੈ ਜੋ ਸਿਰਫ ਦੋ ਸ਼੍ਰੇਣੀਆਂ (+ ਅਤੇ -) ਨੂੰ ਵੱਖ ਕਰਦਾ ਹੈ, ਅਤੇ ਕਰਦਾ ਹੈ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਇਹ ਨੁਕਤੇ ‘ਤੇ ਲੋੜੀਂਦਾ ਕ੍ਰਮ ਨੂੰ ਸੁਰੱਖਿਅਤ ਨਾ ਰੱਖੇ:

classifier_vs_ranking_fn

ਨੋਵਲ ਸ਼ੋਅ-ਸ਼ੌਟ ਸਿੱਖਿਆ: ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਸੈੱਟ-ਅੱਪ ਦਾ ਅਧਿਅਨ ਕਰਦੇ ਹਾਂ

  • N ਕੁੱਲ ਸ਼੍ਰੇਣੀਆਂ: S ਦੇਖਿਆ ਗਿਆ ਸ਼੍ਰੇਣੀਆਂ (ਸੰਬੰਧਿਤ ਚਿੱਤਰ ਉਪਲਬਧ ਹਨ) + U ਅਣਡਿੱਠੀਆਂ ਸ਼੍ਰੇਣੀਆਂ (ਇਹਨਾਂ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਕੋਈ ਤਸਵੀਰਾਂ ਉਪਲਬਧ ਨਹੀਂ ਹਨ)
  • S ਦੇਖਿਆ ਗਿਆ ਸ਼੍ਰੇਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਰਾਹੀਂ ਇੱਕ ਦੂਜੇ ਦੇ ਸਬੰਧ ਵਿੱਚ ਵਰਣਿਤ ਹਨ (ਸਾਰੇ ਵਰਗਾਂ ਦੇ ਜੋੜਿਆਂ ਨੂੰ ਸਾਰੇ ਗੁਣਾਂ ਲਈ ਸਬੰਧਤ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ)
  • ਯੂ ਅਣਡਿੱਠੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ (ਇਕ ਸਬ-ਸਮੂਹ) ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਤੇ ਗਏ ਵਰਗਾਂ (ਇੱਕ ਸਬਸੈਟ) ਦੇ ਸਬੰਧ ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਹੈ

ਅਸੀਂ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਦੇਖੇ ਗਏ ਵਰਗਾਂ ‘ਤੇ ਪ੍ਰਦਾਨ ਕੀਤੀ ਨਿਗਰਾਨੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਨੁਚਿਤ ਗੁਣਾਂ ਦੇ ਇੱਕ ਸੈੱਟ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ. ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਵੀ ਬਾਹਰੀ ਡਾਟਾ ਤੋਂ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ. ਅਸੀਂ ਫਿਰ ਦੇਖੇ ਗਏ ਵਰਗਾਂ ਤੋਂ ਚਿੱਤਰਾਂ ਦੇ ਅਨੁਸਾਰੀ ਗੁਣਾਂ ਦੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਰੇਕ ਦੇਖੇ ਗਏ ਵਰਗ ਲਈ ਇੱਕ ਜਨਰੇਟਿਵ ਮਾਡਲ (ਗੌਸਿਯਨ) ਬਣਾਉਂਦੇ ਹਾਂ. ਅਸੀਂ ਫਿਰ ਦੇਖੇ ਗਏ ਵਰਗਾਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਆਪਣੇ ਅਨੁਸਾਰੀ ਵਰਣਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਣਡਿੱਠ ਦੇਖਭਾਲ ਯੋਜਨਾਵਾਂ ਦੇ ਉਤਪਤੀਸ਼ੀਲ ਮਾਡਲਾਂ ਦੇ ਮਾਪਦੰਡਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਾਂ. ਇਸ ਲਈ ਅਸੀਂ ਜਿਸ ਸਰਲ ਵਿਧੀ ਨੂੰ ਨੌਕਰੀ ਦਿੰਦੇ ਹਾਂ ਉਸ ਦਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ:

ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਵਾਲੀ ਸ਼੍ਰੇਣੀ ਲਈ ਇੱਕ ਟੈਸਟ ਚਿੱਤਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਹੈ

ਚਿੱਤਰਾਂ ਦੇ ਆਧੁਨਿਕ ਟੈਕਸਟਿਕ desriptions ਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ ਤੇ ਤਿਆਰ ਕਰਨਾ: ਇੱਕ ਚਿੱਤਰ ਜਿਸਦਾ ਮੈਂ ਵਰਣਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਅਸੀਂ i ਤੇ ਸਭ ਸਿਖਿਆਰਥੀ ਰੈਂਕਿੰਗ ਫੰਕਸ਼ਨਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ. ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ, ਮੈਂ ਦੋ ਸੰਦਰਭ ਚਿੱਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹਾਂ ਜੋ ਮੈਂ ਕਿਸੇ ਵੀ ਪਾਸੇ ਝੂਠੀਆਂ ਹਨ, ਅਤੇ ਬਹੁਤ ਦੂਰ ਜਾਂ ਬਹੁਤ ਨੇੜੇ ਨਹੀਂ ਹਨ ਚਿੱਤਰ ਨੂੰ I. ਮੈਨੂੰ ਤਦ ਇਨ੍ਹਾਂ ਦੋ ਹਵਾਲਾ ਚਿੱਤਰਾਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ:

ਜਿਵੇਂ ਕਿ ਉਪਰ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਹੋਰ ਚਿੱਤਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਇੱਕ ਚਿੱਤਰ ਦਾ ਵਰਣਨ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਸਾਡੀ ਪਹੁੰਚ ਹੋਰ ਸ਼੍ਰੇਣੀਆਂ ਨਾਲ ਸਬੰਧਤ ਇੱਕ ਚਿੱਤਰ ਦਾ ਵੀ ਵਰਣਨ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸਦੇ ਸਿੱਟੇ ਵਜੋਂ ਇੱਕ ਸ਼ੁੱਧ ਰੂਪ ਵਿੱਚ ਵਿਆਖਿਆਤਮਿਕ ਵਰਣਨ. ਸਪੱਸ਼ਟ ਹੈ ਕਿ, ਰਿਸ਼ਤੇਦਾਰ ਵਰਣਨ ਰਵਾਇਤੀ ਬਾਈਨਰੀ ਵੇਰਵੇ ਤੋਂ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਜਾਣਕਾਰੀ ਭਰਿਆ ਹੁੰਦਾ ਹੈ.

ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਨਤੀਜੇ

ਅਸੀਂ ਦੋ ਡਾਟਾਸੈਟਾਂ ਤੇ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹਾਂ:

(1) ਆਊਟਡੋਰ ਸੀਨ ਰੇਕੋਗਨਿਸ਼ਨ (ਓ ਐੱਸ ਆਰ) ਜਿਸ ਵਿਚ 8 ਸ਼੍ਰੇਣੀਆਂ ਦੀਆਂ 2688 ਤਸਵੀਰਾਂ ਹਨ: ਤੱਟ ਸੀ, ਫੌਰਨ ਐਫ, ਹਾਈਵੇਅ ਐਚ, ਅੰਦਰੂਨੀ ਸ਼ਹਿਰ I, ਪਹਾੜ ਐਮ, ਓਪਨ-ਕੰਟਰੀ ਓ, ਸਟਰੀਟ ਐਸ ਅਤੇ ਲੌਂਗ ਬਿਲਡਿੰਗ ਟੀ. ਚਿੱਤਰਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ
(2) ਪਬਲਿਕ ਅੰਕੜੇ ਚਾਅ ਡਾਟਾਬੇਸ (ਪਬਫਿਗ) ਦਾ ਸਬਸੈੱਟ 8 ਸ਼੍ਰੇਣੀਆਂ ਦੇ 772 ਚਿੱਤਰ ਰੱਖਦਾ ਹੈ: ਐਲੇਕਸ ਰੌਡਰਿਗਜ਼ ਏ, ਕਲਾਈਵ ਓਵੇਨ ਸੀ, ਹਿਊਗ ਲਾਉਰੀ ਐਚ, ਜੇਰੇਡ ਲੈਟੋ ਜੇ, ਮੈਰੀ ਸਾਇਰਸ ਐਮ, ਸਕਾਰਲੇਟ ਜੋਹਸਨਸਨ ਐਸ, ਵਿਗੀਗੋ ਮੋਰਟੇਨਸ ਵੀ ਅਤੇ ਜ਼ੈਕ ਈਫਰੋਨ ਜ਼ੈੱਡ. ਅਸੀਂ ਚਿੱਤਰਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਲਈ ਸਮਕਾਲੀ ਸੰਖੇਪ ਸਾਰ ਅਤੇ ਰੰਗ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ.

ਬਾਈਨਰੀ ਅਤੇ ਅਨੁਸਾਰੀ ਵਿਸ਼ੇਸ਼ਤਾ ਐਨੋਟੇਸ਼ਨ ਦੇ ਨਾਲ ਹਰੇਕ ਡਾਟਾਬੇਸ ਲਈ ਵਰਤੇ ਗਏ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੂਚੀ ਹੇਠਾਂ ਦਿਖਾਈ ਗਈ ਹੈ:

att_table

ਜ਼ੀਰੋ-ਸ਼ਾਟ ਸਿੱਖਣ:

ਅਸੀਂ ਆਪਣੇ ਪ੍ਰਸਤਾਵਿਤ ਪਹੁੰਚ ਦੀ ਤੁਲਨਾ ਦੋ ਬੇਸਲਾਇਨਾਂ ਨਾਲ ਕਰਦੇ ਹਾਂ. ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਸਕੋਰ-ਆਧਾਰਿਤ ਰਿਸ਼ਤੇਦਾਰ ਗੁਣ (ਐਸਆਰਏ) ਹੈ ਇਹ ਆਧਾਰਲਾਈਨ ਸਾਡੇ ਵਿਵਹਾਰ ਦੇ ਸਮਾਨ ਹੈ, ਸਿਵਾਏ ਇਸਦੇ ਦੁਆਰਾ ਰੈਂਕਿੰਗ ਫੰਕਸ਼ਨ ਦੇ ਅੰਕ ਦੀ ਬਜਾਏ ਬਾਈਨਰੀ ਕਲਾਸੀਫਾਇਰ (ਬਾਈਨਰੀ ਐਟਰੀਬਿਊਟਸ) ਦੇ ਸਕੋਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਇਹ ਬੇਸਲਾਈਨ ਰੋਲਿੰਗ ਫੰਕਸ਼ਨ ਦੀ ਲੋੜ ਨੂੰ ਵਧੀਆ ਮਾਡਲ ਰਿਸੈਪਨੀਟ ਐਕਟੀਵੇਟ ਲਈ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੀ ਹੈ. ਸਾਡੀ ਦੂਜੀ ਬੇਸਲਾਈਨ, ਲਾਇਮਪਰਟ ਐਟ ਅਲ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਡਾਇਰੈਕਟ ਐਟਰੀਬਿਊਟ ਪਰੀਡੇਕਸ਼ਨ (ਡੀਏਪੀ) ਮਾਡਲ ਹੈ CVPR 2009 ਵਿੱਚ.

ਸਵੈ-ਤਿਆਰ ਚਿੱਤਰ ਦਾ ਵੇਰਵਾ:

ਇਹ ਆਧਾਰਲਾਈਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਰਿਸ਼ਤੇਦਾਰਾਂ ਦੇ ਇਲਾਜ ਦੇ ਫਾਇਦਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਨਿਰਪੱਖ ਹੈ. ਅਸੀ ਅਣਗਿਣਤ ਸ਼੍ਰੇਣੀਆਂ ਦੀਆਂ ਵੱਖੋ ਵੱਖਰੀਆਂ ਸੰਖਿਆਵਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਾਂ, ਗੁਣਾਂ ਦੀ ਸਿਖਲਾਈ ਲਈ ਵਰਤੇ ਗਏ ਵੱਖੋ-ਵੱਖਰੇ ਡੇਟਾ, ਅਣਡਿੱਠੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਵਰਤੇ ਗਏ ਵੱਖੋ-ਵੱਖਰੇ ਐਟਿਬਟੀਜ ਅਤੇ ਅਣਡਿੱਠੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਵਰਣਨ ਵਿਚ ‘ਢਿੱਲੀ’ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਪੱਧਰਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ. ਪ੍ਰਯੋਗਾਤਮਕ ਸੈੱਟ-ਅਪ ਦਾ ਵੇਰਵਾ ਸਾਡੇ ਕਾਗਜ਼ ਵਿੱਚ ਮਿਲ ਸਕਦਾ ਹੈ. ਨਤੀਜੇ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ:

ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ. ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਇਹ ਵਿਸ਼ਾ ਸਾਡੇ ਚਿੱਤਰਾਂ ਦੇ ਸਹੀ ਗੁਣਾਂ ਦੀ ਸਹੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ ਜਿਵੇਂ ਬਾਇਨਰ ਐਟਰੀਬਿਊਟਸ ਦੀ ਤੁਲਨਾ ਵਿਚ ਸਾਡੇ ਪ੍ਰਸਤਾਵਿਤ ਅਨੁਪਾਤਕ ਗੁਣ.

ਉਦਾਹਰਨਾਂ ਦੇ ਬਿੰਨੀ ਵਰਣਨ ਦੇ ਨਾਲ-ਨਾਲ ਵਰਗਾਂ ਦੇ ਵਰਣਨ ਦੇ ਨਾਲ ਵਰਣਨ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ:

ਡੇਟਾ

ਅਸੀਂ ਆਪਣੇ ਕਾਗਜ਼ ਵਿੱਚ ਵਰਤੇ ਗਏ ਦੋ ਡੈਟਾਸੈਟਾਂ ਲਈ ਸਿੱਖੇ ਅਨੁਭਵੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ: ਆਊਟਡੋਰ ਸੀਨ ਰਿਕੋਗਨੀਸ਼ਨ (ਓਐਸਆਰ) ਅਤੇ ਪਬਲਿਕ ਅੰਕੜੇ ਫੇਸ ਡੇਟਾਬੇਸ (ਪਬਫਿਗ) ਦਾ ਸਬਸੈੱਟ.

README
ਡਾਉਨਲੋਡ ਕਰੋ (v2)

ਸੰਬੰਧਿਤ ਫੇਸ ਐਕਚਿਓਸ ਡਾਟਾਸੈਟ ਇਸ ਵਿੱਚ ਪਬਲਿਕ ਅੰਕੜੇ ਫਰਜ਼ ਡੇਟਾਬੇਸ (ਪਬਫਿਗ) ਤੋਂ 60 ਸ਼੍ਰੇਣੀਆਂ ਉੱਤੇ 29 ਅਨੁਸਾਰੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲਈ ਐਨੋਟੇਸ਼ਨ ਸ਼ਾਮਲ ਹਨ.

ਕੋਡ

ਅਸੀਂ ਓਲੀਵੀਅਰ ਚੈਪਲਸ ਦੀ ਰੇਂਜ ਐੱਸ ਐੱਮ ਐਮ ਐਮ ਨੂੰ ਸੰਕਲਿਤਿਤ ਕੀਤਾ ਹੈ ਕਿ ਸਮਾਨਤਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਨਾਲ ਸਬੰਧਤ ਗੁਣਾਂ ਨੂੰ ਸਿਖਾਇਆ ਗਿਆ ਹੈ. ਸਾਡਾ ਸੰਸ਼ੋਧਿਤ ਕੋਡ ਇੱਥੇ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ.

ਜੇ ਤੁਸੀਂ ਸਾਡੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਗਜ਼ ਦਾ ਹਵਾਲਾ ਦਿਓ:
ਡੀ. ਪਰਖ ਅਤੇ ਕੇ. ਗ੍ਰੁਆਮਨ
ਰਿਸ਼ਤੇਦਾਰ ਗੁਣ
ਇੰਟਰਨੈਸ਼ਨਲ ਕਾਨਫਰੰਸ ਆਨ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ (ਆਈ ਸੀ ਸੀ ਸੀ), 2011.

ਡੈਮੋ

ਸਾਕਾਰਾਤਮਕ ਗੁਣਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਡੈਮੋ ਇੱਥੇ ਮਿਲ ਸਕਦੀ ਹੈ. ਇਨ੍ਹਾਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਇੱਕ ਵੇਰਵਾ ਇੱਥੇ ਕਾਗਜ਼ਾਂ ਵਿੱਚ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ.

Source: https://www.cc.gatech.edu/~parikh/relative.html

Copyright © 2018 Bydiscountcodes.co.uk - All Rights Reserved.

Bydiscountcodes.co.uk Powered and Managed by Agite Technologies LLP.