Retrieval Augmented Generation - 2019年09月
Triplet-Aware Scene Graph Embeddings
发布时间：2019-09-19
作者：Brigit Schroeder, Subarna Tripathi, Hanlin Tang
中文摘要：
场景图已成为图像生成、视觉关系检测、视觉问答和图像检索等任务中的一种重要结构化知识形式。虽然可视化和解码词嵌入已经得到了很好的理解，但场景图嵌入尚未得到充分探索。在这项工作中，我们在具有不同形式监督的布局生成任务中训练场景图嵌入，特别是引入了三元组监督和数据增强。我们发现，在添加三元组监督和数据增强后，在衡量布局预测好坏的指标（平均交并比（mIoU）（52.3% vs. 49.2%）和关系得分（61.7% vs. 54.1%））上都有显著的性能提升。为了理解这些不同方法如何影响场景图表示，我们应用了多种新的可视化和评估方法来探索场景图嵌入的演变。我们发现，三元组监督显著提高了嵌入的可分性，这与布局预测模型的性能高度相关。
一句话总结：
本研究通过引入三元组监督和数据增强，显著提升了场景图嵌入在布局预测任务中的性能。
Lund jet images from generative and cycle-consistent adversarial networks
发布时间：2019-09-03
作者：Stefano Carrazza, Frédéric A. Dreyer
中文摘要：
我们提出了一种生成模型，利用Lund喷注平面模拟喷注内的辐射模式。我们表明，通过使用适当的神经网络架构和随机图像生成，可以构建一个生成模型，该模型能够将底层二维分布检索到几个百分比以内。我们将我们的模型与几种替代的先进生成技术进行了比较。最后，我们展示了如何在不同类别的喷注之间创建映射，并使用这种方法来逆向改变现有样本的模拟设置或底层过程。这些结果提供了一个框架，通过快速推断神经网络以及数据增强物理测量，可以显著减少模拟时间。
一句话总结：
本研究提出了一种基于神经网络的生成模型，用于模拟喷注内的辐射模式，并实现了对现有样本模拟设置或底层过程的逆向改变，从而显著减少模拟时间。