本文运用基于深度学习的方法,能够仅基于像素预测移动 UI 截屏中被用户感知为可点击的元素,并运用 ML 可解释性技术解释模型输出结果,其中采用 XRAI 技术突出显示对所选区域的可点击性预测影响最强烈的截屏区域,采用 k - 最近邻方法表示数据集中对可点击性感知产生相反影响的最相似移动 UI。
Apr, 2022
该论文通过利用各种神经网络结构来预测餐食图像的营养含量,提高了膳食摄入估计的效力,并展示了其在改善膳食摄入估计准确性方面的潜力。
May, 2024
本研究提出了一种新的通过行为分类进行计算机视觉算法性能提高的方法,并且通过消除数据集的混杂因素来比较人类和计算机视觉性能,表明当前计算机视觉算法的性能还有待提高。
Mar, 2020
本文通过使用不同的深度神经网络模型,包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外,我们还提出了一个简单有效的组合模型。实验结果表明,我们的提出的组合模型取得了最高的 F1 分数为 72.71%。
Dec, 2019
介绍了计算机用户界面 (UI) 理解的研究课题,包括创造一个视频数据集、合成样本生成管道和对图像进行对比学习的框架,实验证明该框架优于先前提出的层级多标签对比损失在细粒度用户界面分类中的表现。
Mar, 2024
本文提出两种使用深度神经网络来预测用户响应的新模型,通过三种特征转换方法的借助,能够自动学习有效的分类特征交互模式,并对用户的广告点击进行预测。大规模的实验表明,我们的方法比现有主流模型更好。
Jan, 2016
本文介绍了使用横向投票、纵向投票和横向堆叠集成方法来提高深度神经网络的分类性能,并在 ICML 2013 黑盒挑战中取得了不错的成绩。
Jun, 2013
通过使用 LSTM 对网络的架构进行编码,我们提出了一种先验预测网络性能的方法,并进行了实证研究,证明此方法能够准确可靠地预测网络性能并产生一致的排名。
Dec, 2017
研究通过触摸屏智能手机上独特的交互行为对个体进行分类。使用 Touch-Analytics 数据集,包括 41 个受试者和 30 个不同的行为特征。提出了新的特征来改善整体鉴别性能。通过结合新特征和现有特征,SVM 和 kNN 的分类准确率分别为 94.7% 和 94.6%。探索了七个其他的分类器,并且决策树和提出的 DNN 分类器的准确率最高达到 100%。
Nov, 2023
本研究介绍一种新颖的基于深度学习的算法来解决交互式物体选择的问题,该算法可以将用户提供的正负反馈转换成欧几里得距离图,并与图像的 RGB 通道拼接,采用多种随机采样策略生成图像和用户交互对,通过 Fine-tune 深度反卷积网络,最终结果融合图像概率图和图切割优化,实现对物体边界的精细提取。实验结果表明,该算法具有较好的泛化能力,优于所有现有的交互式物体选择方法。
Mar, 2016