开源 | CVPR2020|PPDM在Titan XP GPU上可以达到37 fps，表现SOTA

论文地址：http://arxiv.org/pdf/1912.12898v3.pdf 代码：https://github.com/yueliao/ppdm 来源：北京航空航天大学 论文名称：PPDM: Parallel Point Detection and Matching for Real-timeHuman-Object Interaction Detection 原文作者：Yue Liao

本文提出了一种single-stage的人-物体交互(HOI)检测方法。该方法在一个Titan XP GPU上以37 fps的速度对HICO-DET数据集进行检测，性能优于现有的所有方法。这是第一个实时HOI检测方法。传统的HOI检测方法分为两个步骤:1. 产生人-物体方案；2.方案分类。以往方法的有效性和效率受到顺序排列的和单独的体系结构的限制。在本文中，我们提出了一个并行点检测与匹配(PPDM) HOI检测框架。在PPDM中，HOI被定义为一个点三联体(a point triplet,即 human point, interaction point和object point)。human point和object point是检测盒的中心，interaction point是human和object point的中点。PPDM包含点检测和点匹配两个并行的分支。点检测分支预测三个点。同时，点匹配分支预测interaction point到对应的human和object point的两个位移。由同一interaction point产生的human和object point被视为匹配对。在本文新并行架构中，交互点隐式地为人和物体检测提供了场境和正则化。抑制不可能形成有意义的HOI三胞胎的孤立检测盒，提高了HOI检测的精度。此外，人与物体检测盒之间的匹配仅适用于有限数量的经过过滤的候选交互点，节省了大量的计算成本。此外，我们构建了一个新的面向应用程序的数据库HOI-A，它是对现有数据集的一个很好的补充。

下面是论文具体框架结构以及实验结果：

人工智能，每日面试题：

机器学习中，有哪些特征选择的工程方法？

每日面试题，答案：

号主答案：

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已

　　1.计算每一个特征与响应变量的相关性：工程上常用的手段有计算皮尔逊系数和互信息系数，皮尔逊系数只能衡量线性相关性而互信息系数能够很好地度量各种相关性，但是计算相对复杂一些，好在很多toolkit里边都包含了这个工具（如sklearn的MINE），得到相关性之后就可以排序选择特征了；

　　2.构建单个特征的模型，通过模型的准确性为特征排序，借此来选择特征；

　　3.通过L1正则项来选择特征：L1正则方法具有稀疏解的特性，因此天然具备特征选择的特性，但是要注意，L1没有选到的特征不代表不重要，原因是两个具有高相关性的特征可能只保留了一个，如果要确定哪个特征重要应再通过L2正则方法交叉检验*；

　　4.训练能够对特征打分的预选模型：RandomForest和LogisticRegression等都能对模型的特征打分，通过打分获得相关性后再训练最终模型；

　　5.通过特征组合后再来选择特征：如对用户id和用户特征最组合来获得较大的特征集再来选择特征，这种做法在推荐系统和广告系统中比较常见，这也是所谓亿级甚至十亿级特征的主要来源，原因是用户数据比较稀疏，组合特征能够同时兼顾全局模型和个性化模型，这个问题有机会可以展开讲。

　　6.通过深度学习来进行特征选择：目前这种手段正在随着深度学习的流行而成为一种手段，尤其是在计算机视觉领域，原因是深度学习具有自动学习特征的能力，这也是深度学习又叫unsupervised feature learning的原因。从深度学习模型中选择某一神经层的特征后就可以用来进行最终目标模型的训练了。

点击右下角“在看”给出你的答案：

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。