每日论文 | 谷歌目标追踪大赛第二名方案;端到端几何推理发现隐藏3D锚点;让强化学习进行启发式学习

2018 年 9 月 12 日 论智

1

Discovery of Latent 3D Keypoints via End-to-end Geometric Reasoning

这篇论文提出了KeypointNet,这是一种端到端的几何推理框架,可以学习特殊类型的最优3D关键点表示。给定一张图像,KeypointNet可以提取出最优3D关键点,以进行下游任务处理。我们在3D动作估计上展示了这一框架,模型可以通过目标物体的角度发现几何和语义上连贯的关键点。

地址:https://arxiv.org/abs/1807.03146

2

PFDet:2nd Place Solution to Open Images Challenge 2018 Object Detection Track

我们PFDet团队提出了一个大型目标检测系统,该系统可以用512个GPU训练大型数据集,处理稀疏验证的类别。利用我们的方法,在谷歌AI的图像目标检测追踪比赛上获得了第二名。

地址:https://arxiv.org/abs/1809.00778

3

Keep it stupid simple

深度强化学习现在能达到甚至超越人类水平,但如果对环境做出微小改动,网络就会无法适应。但人类可以很快地进行适应。我们假设这是由于人类能进行启发式学习,并且能对环境进行思考。我们提出了一种能分层进行强化学习的模型,结合了以上要素和策略网络。

地址:https://arxiv.org/abs/1809.03406

登录查看更多
4

相关内容

3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
【泡泡图灵智库】体积实例感知语义建图与3D对象发现
泡泡机器人SLAM
22+阅读 · 2019年9月7日
强化学习十大原则
专知
12+阅读 · 2018年9月17日
Universal Transformers
Arxiv
5+阅读 · 2019年3月5日
Arxiv
5+阅读 · 2018年12月18日
Joint Monocular 3D Vehicle Detection and Tracking
Arxiv
8+阅读 · 2018年12月2日
Zero-Shot Object Detection
Arxiv
9+阅读 · 2018年7月27日
Relational Deep Reinforcement Learning
Arxiv
10+阅读 · 2018年6月28日
Arxiv
6+阅读 · 2018年6月21日
Arxiv
19+阅读 · 2018年5月17日
Arxiv
3+阅读 · 2015年5月16日
VIP会员
相关论文
Universal Transformers
Arxiv
5+阅读 · 2019年3月5日
Arxiv
5+阅读 · 2018年12月18日
Joint Monocular 3D Vehicle Detection and Tracking
Arxiv
8+阅读 · 2018年12月2日
Zero-Shot Object Detection
Arxiv
9+阅读 · 2018年7月27日
Relational Deep Reinforcement Learning
Arxiv
10+阅读 · 2018年6月28日
Arxiv
6+阅读 · 2018年6月21日
Arxiv
19+阅读 · 2018年5月17日
Arxiv
3+阅读 · 2015年5月16日
Top
微信扫码咨询专知VIP会员