XiaoMi-AI文件搜索系统
World File Search System扩展损失
超越属性的原始概念 - 对象组成学习
从所见的属性 - 对象对学习以概括为未看到的组合物，已在组合零拍学习（CZSL）中进行了广泛的研究。但是，CZSL设置仍然仅限于看到的属性和对象，并且不能概括地看不见的概念及其组成。为了克服这一局限性，我们提出了一项新任务，开放的词汇 - 组成零 - 折射学习（OV-CZSL），其中评估了未看到的属性，对象和看不见的组成。表明OV-CZSL是一个具有挑战性但可解决的问题，我们提出了基于存在的数据集MIT态的三个新基准（Isela，Lim和Adelson 2015），C-GQA（Mancini等人（Mancini等）（Mancini等人）2022）和vaw-czsl（Saini，Pham和Shrivastava 2022; Pham等人2021），以及新的基准和评估设置。我们将语言嵌入和外部词汇与我们新颖的邻里扩展损失一起使用，以允许任何方法学习观察和看不见的原始物之间的语义相关性。
inPainting驱动的掩模优化对象去除
摘要 - 本文提出了一种掩盖优化方法，用于使用图像介入来提高对象去除的质量。在许多现实情况下，许多介绍方法都经过一组随机掩码的训练，但在许多现实的情况下，indpainting的目标可能是一个对象，例如一个人。训练和推理图像中掩模之间的域间隙增加了介入任务的难度。在我们的方法中，通过训练通过分割提取的对象掩码训练介入网络来解决此域间隙，并且在推理步骤中也使用了此类对象掩码。此外，为了优化对象蒙版的介入，分割网络已连接到indpainting网络，并端到端训练以提高镶嵌性能。通过我们的面具扩展损失实现大型面具和小型面具之间的权衡，这种端到端训练的效果进一步增强了。实验结果证明了我们方法使用图像介入的方法去除对象的有效性。索引术语 - 图像inpainting，对象分割，对象删除