論文の概要: An attempt to generate new bridge types from latent space of PixelCNN

• arxiv url: http://arxiv.org/abs/2401.05964v1
• Date: Thu, 11 Jan 2024 15:06:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-12 13:54:29.546467
• Title: An attempt to generate new bridge types from latent space of PixelCNN
• Title（参考訳）: PixelCNNの潜在空間から新しいブリッジタイプを生成する試み
• Authors: Hongjun Zhang
• Abstract要約: PixelCNNは画像の統計構造をキャプチャし、次のピクセルの確率分布を計算する。 得られた潜在空間サンプリングから、トレーニングデータセットとは異なる新しいブリッジタイプを生成することができる。
• 参考スコア（独自算出の注目度）: 2.05750372679553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Try to generate new bridge types using generative artificial intelligence technology. Using symmetric structured image dataset of three-span beam bridge, arch bridge, cable-stayed bridge and suspension bridge , based on Python programming language, TensorFlow and Keras deep learning platform framework , PixelCNN is constructed and trained. The model can capture the statistical structure of the images and calculate the probability distribution of the next pixel when the previous pixels are given. From the obtained latent space sampling, new bridge types different from the training dataset can be generated. PixelCNN can organically combine different structural components on the basis of human original bridge types, creating new bridge types that have a certain degree of human original ability. Autoregressive models cannot understand the meaning of the sequence, while multimodal models combine regression and autoregressive models to understand the sequence. Multimodal models should be the way to achieve artificial general intelligence in the future.
• Abstract（参考訳）: 生成人工知能技術を用いた新しいブリッジタイプの作成。 Pythonプログラミング言語、TensorFlowとKerasのディープラーニングプラットフォームフレームワークをベースとして、3つのスパンビームブリッジ、アーチブリッジ、ケーブルステイドブリッジ、サスペンションブリッジの対称構造イメージデータセットを使用して、PixelCNNを構築し、訓練する。 モデルは、画像の統計的構造をキャプチャし、前の画素が与えられると次の画素の確率分布を計算することができる。 得られた潜在空間サンプリングから、トレーニングデータセットとは異なる新しいブリッジタイプを生成することができる。 PixelCNNは、人間のオリジナルブリッジタイプに基づいて異なる構造成分を有機的に組み合わせ、ある程度の人間のオリジナル能力を持つ新しいブリッジタイプを作成することができる。 自己回帰モデルはシーケンスの意味を理解できないが、マルチモーダルモデルは回帰モデルと自己回帰モデルを組み合わせてシーケンスを理解する。 マルチモーダルモデルは、将来的に人工知能を実現するための方法であるべきです。

関連論文リスト

• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• PixelBytes: Catching Unified Representation for Multimodal Generation [0.0]
  PixelBytesは、統合マルチモーダル表現学習のためのアプローチである。 我々は,テキスト,音声,動作状態,画素画像の凝集表現への統合について検討する。 我々はPixelBytes PokemonデータセットとOptimal-Controlデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-09-16T09:20:13Z)
• An attempt to generate new bridge types from latent space of denoising diffusion Implicit model [2.05750372679553]
  橋梁型イノベーションには暗黙の隠蔽モデルを用いる。 画像にノイズや騒音を加える過程は、死体が腐っている過程や、犠牲者の現場を復元している刑事に似ており、初心者が理解しやすい。
  論文  参考訳（メタデータ） (2024-02-11T08:54:37Z)
• An attempt to generate new bridge types from latent space of energy-based model [2.05750372679553]
  3本のスパンビームブリッジ、アーチブリッジ、ケーブルステイドブリッジ、サスペンションブリッジの対称構造画像データセット上の列車エネルギー関数 ランゲヴィンは、低エネルギー値の新しいサンプルを生成するためにテクノロジーを動力学する。
  論文  参考訳（メタデータ） (2024-01-31T08:21:35Z)
• An attempt to generate new bridge types from latent space of generative adversarial network [2.05750372679553]
  三次元ビームブリッジ,アーチブリッジ,ケーブルステイドブリッジ,サスペンションブリッジの対称構造画像データセットを用いる。 Pythonプログラミング言語とKerasディープラーニングプラットフォームフレームワークに基づいて、ジェネレーティブな敵ネットワークを構築し、訓練する。
  論文  参考訳（メタデータ） (2024-01-01T08:46:29Z)
• An attempt to generate new bridge types from latent space of variational autoencoder [2.05750372679553]
  変分オートエンコーダは、人間のオリジナルに基づいて2つのブリッジタイプを新しいブリッジタイプに組み合わせることができる。 ジェネレーティブな人工知能技術は、ブリッジタイプのイノベーションにおいて設計者を支援することができ、副操縦士として使用できる。
  論文  参考訳（メタデータ） (2023-11-02T08:18:37Z)
• BridgeTower: Building Bridges Between Encoders in Vision-Language Representation Learning [91.93547262073213]
  近年,2towerアーキテクチャを用いた視覚言語モデル(VL)が視覚表現学習を支配している。 そこで,BridgeTowerを提案する。このBridgeTowerは,ユニモーダルエンコーダの上位層とクロスモーダルエンコーダの各層との間の接続を構築する複数のブリッジ層を提供する。 BridgeTowerは78.73%の精度を達成し、以前の最先端モデルであるMETERを1.09%上回った。
  論文  参考訳（メタデータ） (2022-06-17T09:42:35Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• ViViT: A Video Vision Transformer [75.74690759089529]
  ビデオ分類にpure-transformerベースのモデルを提案する。 本モデルでは,入力ビデオから時間トークンを抽出し,一連のトランスフォーマー層で符号化する。 トレーニング中にモデルを効果的に正規化し、トレーニング済みの画像モデルを利用して比較的小さなデータセットでトレーニングできることを示します。
  論文  参考訳（メタデータ） (2021-03-29T15:27:17Z)
• WenLan: Bridging Vision and Language by Large-Scale Multi-Modal Pre-Training [71.37731379031487]
  クロスモーダルコントラスト学習フレームワークにおいて,BriVLと呼ばれる2重塔前訓練モデルを提案する。 単純なコントラスト学習手法を採用したopenaiクリップとは異なり,最新のメソッドmocoをクロスモーダルシナリオに適用することにより,より高度なアルゴリズムを考案する。 大規模なキューベースの辞書を構築することで、BriVLは限られたGPUリソースにネガティブなサンプルを組み込むことができます。
  論文  参考訳（メタデータ） (2021-03-11T09:39:49Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。