Retrieval Augmented Generation - 2019年06月
Forecasting the Remittances of the Overseas Filipino Workers in the Philippines
发布时间：2019-06-25
作者：Merry Christ E. Manayaga, Roel F. Ceballos
中文摘要：
本研究旨在为菲律宾每月海外菲律宾工人（OFW）汇款找到一种Box-Jenkins时间序列模型。将使用适当的时间序列模型生成2018年和2019年OFW汇款的预测。数据是从菲律宾中央银行（Bangko Sentral ng Pilipinas）的官方网站获取的。共有108个观测值，其中96个用于模型构建，剩余的12个用于预测评估。使用自相关函数（ACF）和偏自相关函数（PACF）来检验序列的平稳性。采用Augmented Dickey-Fuller测试来确认序列的平稳性。数据被发现具有季节性成分，因此，在最终模型中考虑了季节性，该模型是SARIMA(2,1,0)x(0,0,2)_12。最终模型的残差ACF和PACF中没有显著的峰值，Ljung-Box Q*测试进一步确认模型的残差是不相关的。此外，根据预测误差的Shapiro-Wilk测试结果，预测误差可以被视为高斯白噪声。考虑到诊断检查和预测评估的结果，SARIMA(2,1,0)x(0,0,2)_12是该序列的一个合适的模型。所有必要的计算都是使用R统计软件完成的。
一句话总结：
本研究采用SARIMA(2,1,0)x(0,0,2)_12模型对菲律宾海外菲律宾工人汇款进行时间序列预测，并验证了模型的适用性。
PAC-GAN: An Effective Pose Augmentation Scheme for Unsupervised Cross-View Person Re-identification
发布时间：2019-06-05
作者：Chengyuan Zhang, Lei Zhu, Shichao Zhang
中文摘要：
人员重识别（Person Re-Id）旨在从非重叠且不连续的摄像头中检索同一人员的行人图像。近年来，许多研究人员关注这一热点问题，并提出了基于深度学习的监督或无监督方法来提高识别率。然而，存在两个不可忽视的局限性：首先，与现有的其他图像检索基准相比，现有的人员Re-Id数据集的大小远远不能满足要求，无法为深度模型的训练提供足够的行人样本；其次，现有数据集中的样本缺乏足够的人类运动或姿态覆盖，无法为学习提供更多的先验知识。在本文中，我们介绍了一种新颖的无监督姿态增强跨视角人员Re-Id方案，称为PAC-GAN，以克服这些局限性。我们首先提出了跨视角姿态增强的正式定义，然后提出了PAC-GAN框架，这是一种基于新颖的条件生成对抗网络（CGAN）的方法，旨在提高无监督跨视角人员Re-Id的性能。具体来说，PAC-GAN中的姿态生成模型称为CPG-Net，旨在从原始图像和骨骼样本中生成足够数量的姿态丰富样本。姿态增强数据集通过将合成的姿态丰富样本与原始样本相结合而产生，并将其输入到名为Cross-GAN的跨视角人员Re-Id模型中。此外，我们在CPG-Net中采用权重共享策略来提高新生成样本的质量。据我们所知，我们是第一个尝试通过姿态增强来增强无监督跨视角人员Re-Id的尝试，并且大量的实验结果表明，所提出的方案可以对抗最先进的技术。
一句话总结：
本文提出了一种基于PAC-GAN的无监督姿态增强跨视角人员重识别方案，通过姿态增强和条件生成对抗网络技术，有效提升了无监督跨视角人员重识别的性能。