AAAINov, 2018

渐变和谐单阶段检测器

PDF
TL;DR本论文提出了一种新的梯度协调机制 (GHM)，可有效解决单级检测器在训练过程中积极和消极样例以及简单和困难样例数量巨大差异所带来的问题，进而设计了两种新的损失函数 GHM-C 和 GHM-R 用于调和梯度流以提高检测器性能。实验证明，GHM-C 和 GHM-R 在 MS COCO 的表现优于当前最先进的方法，该模型在 COCO 测试集上实现了 41.6 mAP。
single-stage detectorgradient harmonizing mechanismghmclassification loss functionbounding box refinement
发现论文，激发创造
  • 平衡目标检测预测一致性调和

    通过提出谐波损失，实现了分类分支和定位分支之间的协同优化，使得训练阶段的分类误差和定位误差能够同步优化，从而解决了现有目标检测器中存在的分类得分高但定位不准或者定位准确但分类得分低等预测不一致问题，在 PASCAL VOC 和 MS COCO 的基准测试中均取得了优秀的表现。

    Aug, 2021

  • 谐波不配对图像到图像的翻译

    本文提出使用 HarmonicGAN 进行无配对图像转换，通过光滑性约束来实现一致的像素映射，并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善，并取得了优于同类方法的实验效果。

    Feb, 2019

  • 分层动态图像调和

    本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

    Nov, 2022

  • 单阶段目标检测的 IoU 平衡损失函数

    研究单阶段物体检测器的损失函数对定位准确性的影响，并提出有关 IoU 平衡的损失函数以解决该问题，在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验，证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。

    Aug, 2019

  • 弱梯度和强梯度方向：解释尺度下的记忆、推广和难度

    本文通过对 ResNet，Inception 和 VGG 等模型的实验验证了相干梯度假设，并提出了具有可扩展性的抑制弱梯度方向的方法，这是首次令当代的监督学习提供令人信服的概括能力证据。

    Mar, 2020

  • 挖掘两阶段和单阶段 HOI 检测的优势

    本文旨在探讨基于两阶段和单阶段方式的人 - 物交互检测方法各自的优点和缺点，并提出一种新的单阶段框架，该框架采用分离式的方法进行检测和分类，取得了明显的相对提升。

    Aug, 2021

  • 梯度引导的假设：在稀缺和噪声数据情境下启用机器学习模型的统一解决方案

    在本研究中，我们提出了一种架构无关的算法，梯度引导假设（GGH），旨在应对数据质量方面的挑战。GGH 通过分析假设的梯度作为数据中不同且可能相互矛盾的模式的代理来解决缺失和噪声数据问题，并通过机器学习训练中的额外步骤将梯度包含或排除在反向传播中。通过对真实开源数据集进行实验验证，GGH 显示出显著提高模型性能的能力，并且在极高的稀缺度情况下，GGH 是唯一可行的解决方案。此研究展示了 GGH 作为改善各种应用中的数据质量和模型性能的有希望的解决方案。

    May, 2024

  • 基于分割重标准化的深度特征调制技术，用于非配对图像协调

    本文提出了一种基于分割归一化图像转换框架的方法，通过用可训练的比例和位移参数代替归一化层中的仿射变换，调制每个级别的特征，从而减少各种成像设备之间的异构性，同时保留解剖结构布局，并在多种成像模态（T1w MRI，FLAIR MRI 和 OCT）的数据集上进行评估。

    Feb, 2021

  • 学习面向全局的图像协调的核函数

    提出了一种全局感知的 Kernel 网络方法，它可以使用长距离背景参考全面地调整局部区域，从而更好地解决图像和谐化的问题。实验结果表明，该方法在图像和谐化方面表现出卓越性能。

    May, 2023

  • 影像技术一致化 (HAIL)：脑部磁共振成像的单次学习

    我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。

    Aug, 2023