Progressive-X: 高效、随时可用、多模型拟合算法
本文提出一种名为 Multi-X 的多分类多实例模型拟合通用公式,通过一种新的标签空间移动技术,在模型参数的密度分布区域内自动设定关键的优化参数以实现快速且鲁棒的优化。并且结合基于交叉验证的技术去除数据中的离群点。该公式在公开数据集中的多种问题的表现均优于现有技术。
Jun, 2017
本文提出了一种名为 Pro$^2$ 的轻量、样本高效的方法,通过将预训练嵌入映射到正交方向来学习多样的预测特征,并在小目标数据集上适应目标分布。在多个数据集上的试验表明,与标准线性探测等先前方法相比,Pro$^2$ 提高了 5-15% 的性能。
Feb, 2023
提出了一种新的鲁棒估计方法 MAGSAC ++,它引入了一种不需要内点 - 外点决策的新模型质量(评分)函数,并且提出了一种新的采样器 Progressive NAPSAC 用于类似于 RANSAC 的鲁棒估计器。在六个公开数据集上的实验表明,MAGSAC ++ 优于最先进的鲁棒方法,它速度更快,几何精度更高,失败率更低。
Dec, 2019
通过减少数据需求并提高数据驱动模型的实际性,我们提出了一种渐进降阶建模框架,通过选择性地从之前的训练模型中转移有价值的知识,从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题,解锁了数据驱动建模在实际工程应用方面的潜力,为各个领域的进步提供了强有力的支持。
Oct, 2023
该研究提出了一种使用分数梯度模型重构图像的方法,并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题,尤其是加速 MRI,具有强大的性能及实用性,并且可重构复杂值数据。
Oct, 2021
本文提出了一种强大的估计器,可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略,利用先前检测到的模型进行神经网络传递学习,并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集,该方法在消失点估计方面表现优异,并在多透视图下表现出优越性能。
Jan, 2020