Oct, 2014

轮廓检测和语义标注的重建稀疏编码转移

PDF
TL;DR通过学习稀疏编码图像的通用稀疏编码字典和针对特定标签的转换函数，我们的方法可以将测试图像进行语义分割。我们在轮廓检测任务上展示了与当前最先进系统相当的性能，并展示了在人脸语义分割任务中的初步结果。
semantic labelingsparse codingtransfer functioncontour detectiondeep sparse representations
发现论文，激发创造
  • 使用智能、稀疏的轮廓表示和编辑图像

    使用基于对抗生成网络的模型，以轮廓为输入，在较少的像素输入下，对图像进行高保真重建，并实现了基于轮廓的图像操作，如简单的编辑可以实现复杂的面部表情变化。

    Dec, 2017

  • 监督卷积稀疏编码

    通过加入监督正则化项来扩展卷积稀疏编码模型并学习具有判别性的字典，从而实现更好的图像重建和更语义相关的字典元素。

    Apr, 2018

  • 深度稀疏编码的无监督特征学习

    本文提出了一种名为 Deep Sparse Coding 的新的无监督特征学习框架，扩展了稀疏编码到多层体系结构，用于视觉对象识别任务，在不同层次的稀疏编码之间连接一种稀疏到密集的模块，结合卷积神经网络（CNN）可达到最先进的性能表现。

    Dec, 2013

  • 监督式字典学习

    本文提出了一种新的稀疏表示模型，该模型采用共享字典和多个类别判定函数来描述不同类别的信号，并提出了学习该模型所有组件的优化方法，进一步提高了手写数字和纹理分类任务的准确性。

    Sep, 2008

  • 使用学习编码的场景表示进行单目密集语义重建

    该研究提出了一种基于变分自编码器的语义表示方法，实现了对三维语义地图的实时增量建立与空间一致的语义标签融合，可以用于单目关键帧语义映射系统，并能够实现对位姿、几何和语义的联合优化。

    Mar, 2019

  • 使用展开网络进行聚类归纳偏差

    在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

    Nov, 2023

  • 学习任务特定的深度聚类架构

    本研究提出了一种基于稀疏编码和深度学习相结合的聚类方法，利用图形正则化稀疏编码算法构建 TAGnet 前馈神经网络，并通过添加聚类任务计算 DTAGnet 网络，实验结果表明该方法在效率与可伸缩性方面明显优于其他先进方法。

    Sep, 2015

  • 稀疏编码：利用无标签数据进行高级表示的深度学习

    利用高级别表示数据来帮助无监督学习任务的稀疏编码算法，通过 L1 正则化凸优化算法从无标签类别的高级别表示数据中推导出的优化解，以此描述使用稀疏编码的深度学习算法。

    Apr, 2014

  • 利用稀疏标注学习语义对应

    本文针对语义对应中标签稀疏性的挑战，提出了一种基于稀疏关键点注释生成密集伪标签的教师 - 学生学习范式，并开发了两种噪声伪标签去噪策略，使用空间先验和损失驱动的动态标签选择策略。实验结果表明该方法在语义对应的三个基准测试中均取得了显著进展并建立了新的最新成果。

    Aug, 2022

  • 学习阈值变分稀疏编码

    本文提出一种新方法进行稀疏编码，在学习稀疏分布时通过截断样本避免使用有问题的松弛方法。通过在 Fashion MNIST 和 CelebA 数据集上与标准变分自编码器进行比较，证明了该方法具有更优越的性能、统计效率和梯度估计。

    May, 2022