Menos do que a cena, ainda vejo um relatório acadêmico bens mais secos!

Oi, Olá, todos. Aqui está uma coluna de relatório acadêmico, Xiao Bian operação de leitura núcleo e gerido pessoalmente vez em quando que vai ser, como nós dedicamos o melhor de ciência e tecnologia trabalhos de pesquisa, relata produtos secos recorde para os alunos, e encontrar maneiras de obter em primeira mão o PPT e vídeo ao vivo - o suficiente produtos secos, o suficiente fresco! Homem de poucas palavras, disse, rapidamente aqui, espero Outstanding Juventude desses notáveis jovens estudiosos, especialistas e relatórios acadêmicos, permitindo que você leia o conhecimento mais valioso em seu tempo livre.

Artificial Intelligence Forum Hoje volumosa, bens duros, é claro, mas há creme seca da cultura. Patrocinado pela Universidade da Academia Chinesa de Ciências, Academia Chinesa de Ciências da Universidade contratante estudante, operação de leitura núcleo como um parceiro de mídia designado de "AI disse que o futuro · Juventude Fórum Acadêmico" terceiro período "visão computacional" concerto foi realizado a partir de 24 março de 2019 na tarde da Academia Chinesa de Ciências . professor Peng Yu Universidade de Pequim como nós trazemos novo relatório "aplicações de análise de inteligência e de cross-media."

Peng Yu novo, dois Peking University professor, tutor, principais especialistas 863 projectos, presidente do Comitê de Especialistas da indústria China Innovation Alliance AI, Academia Chinesa de Engenharia "AI 2.0" especialista Especialista Comitê de Planejamento, China Sociedade de Imagem e Gráficos vice Secretário-Geral. As principais linhas de pesquisa são: análise de cross-media e raciocínio, compreensão e uma recuperação de imagem de vídeo, visão computacional. Selecionado em 2006 para New Century excelentes talentos e planos de Pequim Ciência e Tecnologia de estrela em 2016 pelo Prêmio de Ciência e Tecnologia de Pequim Municipal (classificada em primeiro lugar). Ele recebeu mais de 20863 projectos, a Ciência Natural Fundação Nacional publicou mais de 130 artigos, incluindo o ACM / IEEE Trans e CCF A classe de mais de 50 artigos. 7 vezes na amostra de vídeo internacional TRECVID avaliação Pesquise evento organizado pelo US Bureau Nacional de Padrões e Tecnologia NIST, Junhuo primeiro. Presidiu o desenvolvimento de análise de conteúdo de Internet e reconhecimento sistema de cross-media tem sido aplicada para o Ministério da Segurança Pública, Ministério da Indústria, da Administração Estatal de Rádio e Televisão e outras unidades. Presidência e outro conselho editorial, ACM MM 2019, ICIP 2017/2019, ICPR 2018, ICME 2019 em áreas como a "Circuitos e Sistemas de Transações Tecnologia de vídeo IEEE em", AAAI 2016/2019, IJCAI 2015 membros seniores do programa.

Relatório de Conteúdo: Com o rápido desenvolvimento de multimídia e tecnologia de rede, grandes quantidades de imagens, vídeos, textos, dados e outros cross-media de rápido crescimento, heterogêneo multi-fonte e eles estão inter-relacionados, de modo que a representação de dados, recuperação de informação, descoberta de conhecimento, raciocínio semântico enfrentou cruz media, através de fontes de dados e outros desafios. Como desenhar propriedades cross-media do cérebro humano, informação cognitiva em diferentes sentidos da visão, audição, linguagem, etc., para o mundo exterior, é essencial para melhorar a percepção do nível de capacidade cognitiva e inteligência do computador. Este relatório será Academia Chinesa de Engenharia "AI 2.0" nas tarefas de raciocínio de análise de cross-media e os objetivos são introduzidos, e depois se concentrar no nosso progresso da pesquisa, incluindo a classificação de grão fino imagem, recuperação de cross-media, imagem geração de texto, descrição do vídeo geração e assim por diante.

Cross-media análise inteligente e aplicação

Dados os dados estruturados e dados não estruturados. Em que os dados não estruturados, tais como imagens, vídeo, foi responsável por 90% da proporção. Embora estes dados são a forma heterogênea, mas semanticamente relacionados entre si. Cross-media inteligentes é para ser analisado, identificação, recuperação e inferência em grandes volumes de dados multivariados na heterogénea.

1,0 vezes a inteligência artificial tradicional é baseada na análise e aplicação de meios simples, de encontro inteligência artificial sublinhou a era de fontes de vários meios, análise, recuperação e inferência, nomeadamente inteligência cruzada meios 2.0.

ciência Cross-media são confrontados com dois problemas principais: abertura semântica e dividir heterogêneo. Refere-se a características do gap semântico computador é inconsistente com a representação conceito semântico compreendido por seres humanos. Refere-se a isómeros dividir em que as diferentes modalidades de representação dos dados é inconsistente.

Inteligente cross-media exige uma combinação de dados orientada por e assente no conhecimento. Por meio de, big data-driven Data Mining potenciais padrões e regras, através de cross-media raciocínio colaboração baseada no conhecimento, a decisão cognitiva para reduzir a incerteza de cross-media.

Professor Peng assinalou que AI 2.0 tem sete tarefas principais:

1. teorias e modelos unificados para caracterizar o cross-media

2. A cross-media associados, compreensão e Mineração

3. Construção e cross-media aprendendo mapa de conhecimento

4. evolução cross-media de conhecimento e raciocínio

A descrição da geração cross-media

6. Cross-media motor de busca inteligente

7. aplicações multi-mídia inteligentes

Em seguida, o professor Peng introduz o progresso de seus próprios laboratórios. ideia geral do estudo é: primeiro fazer a análise e identificação dos meios de comunicação individuais, fazer análise de cross-media e identificação, acabou pousando para aplicações de análise de dados e de conteúdo que o foco na Internet.

Introduzido pela primeira vez a equipe para o trabalho no campo de classificação de imagem fina. De classificados em sub-categorias, como a identificação de aves de um pássaro a um reconhecimento específico de que tipo de sementes, crescem extremamente difícil. A dificuldade é pouca diferença entre as diferenças de classe e de classe dentro de grandes amostras, menos treinamento, a mesma amostra não é semelhante a outras questões. Os métodos existentes dependem fortemente de informações detalhadas rotulagem.

Professor Peng equipe propôs uma nova direção de pesquisa "fraca imagem profundidade supervisão sub-classificada", e tem o trabalho feito nas seguintes áreas:

• A fim de reduzir a carga de trabalho de rotulagem proposta atenção topologia espaço de aprendizagem, selecionar e gerar dados com base em aumentada;
• A fim de melhorar a precisão da classificação da multa proposto multi-escala empilhados profundidade de método de aprendizado por reforço;
• A fim de melhorar a velocidade de classificação fina, um multi-nível rápida identificação de posicionamento métodos atenção directa;
• A fim de acelerar a formação de novas categorias proposto migração método de aprendizagem incremental profundidade hierárquica;
• Proposto multi-fonte incorporado representação visual semântica, romper as limitações de uma única fonte de informação representada.
• Em seguida, apresentou a equipe de trabalho no campo da recuperação de cross-media. CMR através do que meios de comunicação como a consulta, para encontrar conteúdo enquanto semanticamente relacionada com outras formas de mídia.
• Professor Peng demonstrou o trabalho feito pela equipe nas seguintes áreas:
• Para cross-media unificadas problema caracterização, uma redução gráfico partilhada semântica método de mapeamento de espaço, cross-media unificado modelo de associação hipergrafo;
• Para caracterização profundidade de cross-media unificadas de aprendizagem, fórmula cross-media apresentados contra rede;
• modelagem de profundidade para cross-media de grão fino, multicamadas proposto acoplamento de aprendizagem associada;
• For-grão fino proposta Modelagem Visual relação locais - modelos relações semânticas de atenção;
• Para Visual - informação não está entre linguagem e outras questões sujeitas meios específicos para a frente mapeamento modelo espaço semântico;
• Para Visual - Problemas de conversão de informações de linguagem, proposta cross-media de duas vias modelo de tradução;
• Para Visual - cada problema geração de informações de idioma apresentado circulação associada métodos de aprendizagem cross-media;
• Novas questões cross-media para os dados de treinamento do modelo, o cross-media de aprendizagem ao longo da vida proposto;
• Para os novos dados desconhecidos problemas de recuperação, o zero-amostra cross-media de aprendizagem duplo confronto proposto;
• Para robustez do código hash sob condições controladas, a sequência proposta de multi-escala apresenta hash;
• Com o objectivo de gerar o código de hash, em condições de semi-orientada, semissupervisionado geração cruzada meios criados contra o método de hash;
• Com o objectivo de gerar o código de hash, em condições não supervisionadas propostas sem vigilância contra cruzada meios método de geração de hash;
• Construção de um conjuntos de dados cross-media grande escala PKUXMediaNet, com tipos de cinco mídia, o conjunto de dados é usado em mais de 50 universidades nacionais e estrangeiras, institutos de pesquisa, empresas.

Em seguida, o professor Peng introduziu o trabalho feito no campo da descrição cross-media e geração, pode, também pode gerar imagens / vídeo a partir do texto do texto gerado imagem / vídeo.

Finalmente, o professor Peng introduziu os cross-media de análise de conteúdo e sistema de reconhecimento, busca TRECVID amostra de vídeo, pássaros, pequenos veículos como a classificação cross-media aplicação inteligente dos resultados.