用户界面开发自动化 新研究凭据设计图自动生成用户界面属性

  本文摘要：大数据文摘专栏作品作者：Christopher Dossman编译：Junefish、Olivia、云舟呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家晤面啦！AI ScholarWeekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览，一网打尽每周AI学术的前沿资讯。

大数据文摘专栏作品作者：Christopher Dossman编译：Junefish、Olivia、云舟呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家晤面啦！AI ScholarWeekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览，一网打尽每周AI学术的前沿资讯。每周更新，做AI科研，每周从这一篇开始就够啦！本周关键词：伪造人脸、无监视学习、模拟学习本周最佳学术研究X射线检测伪造人脸图像北京大学和微软亚洲研究院的研究人员最近推出了人脸X射线图像表现法，用于检测人脸图像中的伪造，该方法大大凌驾了现在已有的最新方法。

他们的事情重点是检测面部伪造问题，例如由当前的面部利用算法（包罗DeepFakes，Face2Face，FaceSwap和NeuralTextures）发生的伪造问题。与现有的伪造检测器差别，面部X射线假定存在混淆步骤，而且不依赖于与特定面部利用技术相关的任何伪造图像知识。

通过对输入的面部图像举行盘算，可以获得该图像面部X射线的灰度图像。该灰度图像不仅可以确定面部图像是伪造的还是真实的，而且在存在混淆界限时，还可以确定该界限的位置我们必须认可人脸伪造检测正日益成为一项严峻的挑战。

面部X射线检测方法在面部伪造识别方面实现了很是高的检测精度，而且能够可靠地预测面部X射线，因此，它是普遍面部伪造检测器开发征程上的重要一步。对于未预见的人脸利用方法发生的伪造，该框架仍然有效。与之形成对比的是，大多数现有的人脸伪造检测算规则会有相当大的性能下降。

面部X射线的通用性涵盖了大多数现有的面部操作算法。此外，可以通过自我监视学习来训练用于盘算面部X射线的算法，该训练历程无需任何最新的面部操作方法生成伪图像，仅使用大量由真实图像合成的混淆图像即可实现。

阅读更多：https://arxiv.org/abs/1912.13458v1同步举行的无监视学习：条件图像生成，前景支解和细粒度聚类Facebook AI和Tel Aviv大学的研究人员提出了一种无监视的同步学习方法，包罗：条件图像生成器前景提取和细分两级条理结构分类工具移除和后台完成以上所有内容均无需使用注释即可实现。该方法将生成的反抗网络和变型自动编码器联合在一起，具有多个编码器，生成器和判别器，并可以即时解决所有任务。

该训练方案的输入是来自同一域的未标志图像的种种荟萃，以及没有前景工具的一组配景图像。另外，图像生成器可以将一个图像中的配景与第二个图像或所需聚类的索引条件下的前景相混淆。通过构建单个模型来处置惩罚多个无人监视任务，研究人员在每个任务上都展现了逾越同类最佳方法的性能，并展示了协同训练的能力。

与传统方法相比，该方法在每个任务中均获得了最新技术结果。阅读更多：https://arxiv.org/abs/1912.13471v1从图像推断用户界面属性为了资助开发人员自动开发用户界面，这一研究探索了一种新的学习领域来推断用户界面属性。

给定设计师建立的输入图像后，研究人员将学习推断其实现方式，该实现方式在出现时的外观和输入图像相似。他们接纳了黑盒渲染引擎及其支持的一组属性，包罗颜色，界限半径，阴影或文本属性，并使用它来生成合适的综合训练数据集。然后，他们训练了专门的神经模型来预测属性值。

为了提高像素级此外准确性，研究人员使用了模拟学习来训练一种神经计谋，该计谋通过学习盘算原始图像和渲染图像在其属性空间中的相似度，而不是基于像素值的差异来革新预测的属性值。对于合成数据集和真实数据集，该方法划分乐成推断出正确的属性值划分为94.8％和92.5％。与以前发生草图或将组件放置在所需位置的综合结构工具差别，此新事情聚焦于像素级的准确实现。

研究人员能够将其实例化为学习Android Button组件实现的任务，并在由Google Play Store应用法式组成的数据集上到达92.5％的准确性。他们表现，这一切仅需要对合适的合成数据集举行训练即可实现。该方法是实现用户界面流程自动化的重要一步。阅读更多：https://arxiv.org/abs/1912.13243v1用于查询高效主动模拟学习的新框架这项事情提出了一种新的模拟学习（IL）算法框架，该算法可通过有效查询主动交互地学习用户回报值模型。

研究人员建设了一个反抗生成模型来生成状态和一个后继特征（SR）模型，通过学习计谋收集的过渡履历来训练这些模型。本文提出的方法使用这些模型来选择状态-行动对，要求用户对最优性或宁静性举行评论，并训练反抗神经网络来预测回报值。以往论文险些全部基于不确定性抽样，而本文则与此差别。

本文的关键思想是通过区分查询的（专家）和未查询的（生成的）数据，并最大水平地提高价值函数学习的效率，来主动且高效地从on-policy和off-policy的履历中选择状态-行动对。该方法在学习回报模型时显着优于基于不确定性的方法，从而实现了更好的查询效率。

其中反抗性判别器可以使机械人更有效地学习人的行为，尔后继特征模型可以选择对价值函数有更大影响的状态。该方法还可以在训练回报模型时学会了制止不宁静状态，评估实际游戏时这一优势获得了验证。原文：https://arxiv.org/abs/1912.13037用于工具抓取的大规模聚类和带麋集批注的数据集工具抓取对工业，农业和服务商业中的许多应用都至关重要。

然而，在聚类场景中，研究面临训练数据不足和缺乏评估基准的挑战。在本文中，几。

本文关键词：ob欧宝官网体育app,用户界面,开发,自动化,新研究,新,研究,凭据

本文来源：ob欧宝官网体育app-www.hansraypro.com