# 陳靖升 ## intro * Depth Estimation * 單目 雙目 * 焦點深度估測 DFF * 避免遮擋 * 場域不變 * 找到最清晰的像素點 * Defocus 離焦 物體距離隱含的一些關係 線索 * Aberration 相差 不同焦距有不同相差 * 模型捕捉這些複雜的DFF關係 ## related * DefocusNet * AiDepthNet * DfFinthewild * transformer 多頭注意力模組 抓到全局的特徵 * vision transformer 將圖片拆成多個token * swin transformer 大幅降低vision transformer的運算量 * video swin transformer 3D的swin transformer ## method * transformer * CSA * redesignd resample module * model * feature leaning block 左半邊 * 3D swin block * two block per layer * shifted window (球差線索舉例) * refinement : 加入捲基層 學習大張的圖像 * cross-slice attention (CSA) * UCTransNet * CCA 特定的通道 * CSA 改進CCA 全局池化保留切片的維度 * Resampling module * 重採樣 保留更多細節 * 雙線性採樣 可能造成結果過於平滑 * 最大池化 * 步伐卷積 * regression 輸出概率值 值越高越清晰 * 機率圖乘上焦距值 * Loss function * smooth l1 loss * 避免梯度爆炸 ## evaluation * setting * dataset * DDFF 12-scene * 4D light field & defocusnet * generalization 泛化測試 * ablation study * focal stack size * CSA * resampling ## 問答 ### 劉士弘： * 像差除了提到的球差、慧差、色差，請問還有其他像差嗎 * 實在上還有更多 但我針對這三種 * 跨切片模組是不是可以加入可解釋性，確認是否抓到目標色差 * 色差有不同波長 觀察是不是在某個切片特別強 * 主張Inference 速度快，但CSA更複雜運算量增加，為什麼更快? * 因為每層只使用了2個block * 有用卷積 * 實驗描述可以再多一點 * 補上未來的發展 ### 陳雅蓁： * 可以清楚知道貢獻，整體算完整 * 來自業界，篇應用的問題 * Swin Transformer 計算資源較大，難以應用於產業，如何降低運算? * swin切成多個小的注意力窗口 * 用小圖 * 沒辦法導致泛化的原因 * 用切片... * 這方法可以用在哪些領域上 * PCB電路板 很薄 要用很近的景深 大光圈? * 如果太薄 會影響嗎 * 蠻依賴在訓練的資料 ### 沈上翔： * 訓練的資料是針對某個鏡頭，有些人會加裝偏光鏡 柔光鏡 有影響嗎 * 會有差 * 正確率會差很多嗎? * 不確定，可能要重新訓練 * 有可能無法使用 * 複雜的情況下 跌了很多個 會出問題嗎? * 使用的硬體有限制所以還沒辦法做到 ### 花教授： * 這邊有時間的討論，為甚麼後面沒有 * 樣本太少，導致不同的方法在重複測試下會有很大的差異 * 做多次，然後取平均數或中位數，因為每次時間很短，整體不會很久，建議跑一下 * 都是開源的 可以自己跑 # 呂明洋 ## intro * time series forecasting 預測線性資料 * 預測溫度 * 風速, 濕度 * 用圖形顯示依賴關係 * 可以改進的點 * 用簡單的graph學習 * 在一段的序列中 有上升 下降區間 * 針對重要性高的地方學習 ## related * DWT 小波轉換 * Hight, low pass filter * global graph 原始的資料 2個embeded * 聚合不同距離的資訊 * Dilated convolution ## method * 貢獻 * multi resolution mixhop (MRM) * DCI block * DS block * model * MRM * GNN based 的graph太簡單 * 舉例: 電網紅色區域 * overall 資訊的 graph * 分解出detail approximate * inverse DWT 轉回 time domain * 四個資訊建立graph圖 自己對於別人 別人對於自己 * DCI * 將一段數據分解成左右兩半 * 拆成奇偶序還是可以看到輪廓 * 用四個iteration factor彌補拆成奇偶序的損失 * Decompose and convolution * 最近的事件會被較近的特徵影響 * DS block * 解決non-stationary 分布偏移 * normalize denormalize 但會損失資訊 * 加入兩個lernable vector調整重要性分布 ## evaluation * dataset * 電力天氣溫度交通 * 每個資料集特色 * MSE MAE * Main Result * Ablation study * 峰值表現比waveform好 * 比較切幾分之幾好 ## 問答 ### 劉士弘 * 沒有太大的問題，但對實驗數據有點疑問，你提出的方法都比以前的好，數字是複製過來的嗎 * 有一部分是重做實驗 * 傳統的方法，實驗的比較可以加入這些去比較嗎 * 差的比較多，所以沒有加 * n bits? * 單變量沒有這麼好 * 建議數學式的定義要標得更清楚 * timesnet的引用是錯的 * 70% train 30% validation沒寫到 * 你現在是用MSE MAE，有沒有可能用MAPE * MAPE是用在短期的預測，其他論文很多沒用MAPE * M4...資料集有沒有想過拿來用? * ### 陳雅蓁 * 跟現在的應用蠻符合，有機會可以用在公司 * DCI的奇偶數 有甚麼幫助 * 增加資訊上的維度 * 奇偶數可以產生一點不同的資訊 增加泛化 * 實驗設計 96 92的設計 論文的設計都這樣嗎 * long term都是這樣，96 192可以切成一天兩天，...可以切成一個禮拜 * 你會把不同資料來源resample嗎 * 資料上基本都已經處理好，weather的資料有額外處理 * 時序型的資料raw data都蠻髒的 怎麼處理? * 跟過去的論文一樣 沒有做前處理 或過濾 * 拿到的資料是乾淨的 * 實際運用要注意一下 * 可以運用在short term上嗎 * 大家的準確度都很高了，看不太出來 * 好奇這個方法用在short term上的效果 * 是用前960預測後960嗎 * 是 * 沒有某三種天氣預測? * 沒有 * 很有趣 跟電廠的很有相關 台電 賣電 * 假設你是pb farm的主人 要怎麼運用? * 抓重要性特徵 * 用開源資料集 * 風力 * 比較有沒有更好的準確度 * 16小時預測後16小時? * 是 * 根據結果控制電池 * 試試看short term * 每個小時去調整pb... * 天氣的資訊變化大 * 花:可以拿現場資料 ### 沈上翔 * 要做多久的時間 * 要看是哪個dataset * 3090 * 好幾天 * 隨著時間有新的data 去動態update model * 這篇是focus在靜態的資料 * 電價舉例 針對意外狀況要重新調整 * 有拿來預測股票嗎 * 那個比較偏short term 有人為介入(法人大賣) ### 花凱龍 * 學術界上有沒有針對short term的dataeset * 有 ... * 不一定要針對電力 * 猜的準不準 要看dataset * 先從dataset進一步 survey * 回去survey一下有沒有適合的dataset * financial的dataset * 建議equation說明得更清楚一點 大M * 16頁 equation 6 * 數字用大N * 要一致 不要模糊 * citation 11 ppt上變12 * 這幾篇論文比的dataset一樣 * 有些針對金融 有些針對醫療 * 不好意思說 可能這四個dataset比較好而已 * 基於waveform 分布式偏移有改善 * waveform做不好的地方 * 第四個，他不是第二名，為甚麼你就好了 * 不只比他好 還有更多突破 * ... * 進步很多 要有更多討論 * DS block可以應付長期分布 * 最後一點貢獻 不容易直接連接到這個點 * 進步後有那些犧牲嗎 * 時間複雜度比較高一些 * waveform比較低 * 實驗的部分也要把這些點提出來 * 除了優點外 也要提缺點