Sep, 2018

Morpho-MNIST: 表示学习的定量评估和诊断

PDF
TL;DR本研究提出了一个名为 Morpho-MNIST 的框架来解决评估无监督和有监督机器学习的性能问题，这个框架可以用来评估特定变化因素在数据中的表现，并提供了可量化的扰动，以评估在挑战性任务上的性能。
latent structurevariational autoencodersadversarial networksunsupervised learningbenchmarking
发现论文，激发创造
  • 深度人脸表示用于差分变形攻击检测

    本篇论文讨论了利用真实的人脸图像数据库训练和测试差分变形攻击检测算法的可行性。在进行多个不同后处理之后，使用不同的工具创建了人脸融合图像。通过实验表明，基于深度学习的差分变形攻击检测算法在各种后处理情形下可以实现非常高的检测性能和鲁棒性。

    Jan, 2020

  • 使用梯度下降训练形态神经网络：一些理论洞见

    研究了基于差分和反向传播的形态学网络的潜力和限制，尤其是在初始化和学习速率方面的理论指导，以解决当形态学网络层数增加时的训练困难。

    Feb, 2024

  • 神经机器翻译模型学到了什么关于形态学？

    本文研究神经机器翻译的表示，探讨其对源语言和目标语言的理解以及对单词结构学习的影响，发现了一些关键参数对表示的影响

    Apr, 2017

  • 比较不同人工智能范式、增强和裁剪策略学习的生物数据表示

    该研究提出了一个简单的卷积神经网络架构，并在相同条件下使用不同的数据增强和裁剪策略训练了 16 种不同的深度学习模型，以比较其在药物识别、控制组分类和细胞聚类这三个下游任务中所学到的特征提取的性能和效率，其结果表明，多切割和随机增强通常能提高性能，而自我监督模型的性能也非常高，是训练速度最快的模型之一，但需要最大的内存和计算资源。

    Mar, 2022

  • 3D 可塑模型回归的无监督训练

    本文提出了一种基于人脸图像的无监督学习方法，使用面部识别网络特征从像素到 3D 型可变模型坐标的回归网络训练，通过可微分的渲染器进行预测脸部的渲染并计算特征，引入批量分布损失、循环损失和多视图身份损失来实现从特征学习并避免网络欺骗效应，在使用未标记的照片和可变形模型进行训练，展示了最先进的结果。

    Jun, 2018

  • 使用深度神经网络回归具有鲁棒性和判别性的三维可塑模型

    我们提出了使用卷积神经网络进行三维面部模型重建的方法，通过大量标记数据的生成，优化了模型的准确性和稳定性，得到了超过现有方法的识别结果，实现了使用三维面部模型进行面部识别。

    Dec, 2016

  • 基于生成补全的高内容图像重建的保持表型的度量设计

    评估了用于高内容荧光显微数据集中的图像恢复的最新修复方法，并提出了一种新的保留表型度量设计策略以控制修复质量。

    Jul, 2023

  • 用于显微原位杂交图像分析和分类的自动编码器优化

    本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

    Apr, 2023

  • 离散形态神经网络

    提出了离散形态神经网络（DMNN）用于二值图像分析以表示 W 算子并通过机器学习进行估计的经典方法。

    Sep, 2023

  • 无监督学习视觉表示的对比方法再探

    本文将需要自我学习来改进现有模型的数据集偏差性进行了深入研究，并成功地在不同类型数据集上改善了模型，同时介绍了一种具有多尺度裁剪、强数据增强和近邻策略的改进自监督学习方法，并通过 MoCo 模型在语义分割和视频实例分割任务中实现了优秀的效果。

    Jun, 2021