通过复杂度感知级联训练(CompACT)算法进行级联学习,以实现在较少返回时间内优化级联检测器的准确率与复杂度。在深度卷积神经网络响应和目标建议机制基础上,实现了具有不同复杂度特征池的行人检测器,并在 Caltech 和 KITTI 数据集上取得了最先进的表现。
Jul, 2015
提出了一种使用结构化学习直接优化 ROC 曲线下假阳性率范围内的部分面积的新型集成学习方法,该方法有效地训练出最先进的行人检测器。
Oct, 2013
本研究提出了基于级联卷积神经网络的两种体系结构,旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题,第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项,在三阶段体系结构中,中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测,分类和定位领域的实验中表现出了改进。
Nov, 2016
该论文提出了一种使用深度神经网络级联和选择模块的新框架,通过同时优化预测准确性和能耗,实现了在测试时间的有效成本 - 准确性权衡,验证了该方法在图像分类任务中优于标准训练的 ResNets,对 CIFAR-10/100 数据集的 FLOPs 成本需求不到 20% 和 50%,在 ImageNet 数据集上只需求 66%。
Oct, 2017
本文提出了一种基于伪标签的半监督级联匹配检测器 CascadeMatch,该检测器采用级联网络架构,并具有根据数据自适应提取的伪标签。实验结果表明,CascadeMatch 在处理长尾物体检测方面优于现有半监督方法,在几种检测结构中均优于 Unbiased Teacher,且能处理稀疏标注的物体检测问题。
May, 2023
本文提出了一种算法,其从外部学习方法提供的基本分类器列表中构建稀疏决策 DAG(有向无环图),将 DAG 设计任务作为马尔可夫决策过程,每个实例可以根据正在构建的分类器的当前状态决定使用还是跳过每个基本分类器,使用一个控制准确度 / 速度权衡的超参数控制算法,与三个目标检测基准相比竞争力强,在基本分类器数量较少时明显优于级联检测器,也适用于多类分类,使用多类设置,我们证明可以显着提高排名器的决策速度而不会损害排名器的性能。
Jun, 2012
本论文在多标签领域提出一种神经网络算法,CascadeML,用于基于级联神经网络的多标签神经网络的训练,无需或最小化超参数调整,并考虑标签之间的关联,同时能够获得很好的性能。
Apr, 2019
该研究论文关注使用置信度评分的级联推理系统,讨论了在推理准确性和计算成本方面提高系统性能的期望置信度评分,并提出了新的置信度校准方法 Learning to Cascade。实验结果表明,Learning to Cascade 在推理准确性和计算成本之间实现了更好的平衡。
Apr, 2021
该研究旨在研究现有的提升决策树分类器的建模局限性,通过实验发现,恰当的数据集大小和属性可以将模型模拟得更好,但模型有其局限性,需要进行架构改变来与深度架构竞争。
Jan, 2017
通过在线机器学习算法,针对短期时间内高度失衡的视频分类问题,我们提出了一种新的算法并取得了 2.4-7.8 倍的分类速度提升。