通过环境无线线索在野外进行人脸识别的自主学习
利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别;根据不同相机模块、地域环境等数据的统计异质性问题,提出基于客户端频率的聚合规则来调整对应本地模型的权重。
Jan, 2022
本文提出了一种基于新颖的几何自监督学习算法的自动 WiFi 感知模型 AutoFi,该模型可以利用不需要额外标注的低质量 CSI 样本进行学习,并将学习的知识传递到特定的用户定义任务中进行交叉任务转移,从而实现自动的 WiFi 感知。在人类步态识别任务和公共数据集上,AutoFi 实现了领先的性能,并展示了跨任务学习的能力。
Apr, 2022
提出了一种基于小波变换的自监督学习方法,用于从未标注的传感器输入中学习有用的表示,该方法通过优化对比目标使用深时间神经网络来确定一对信号和其补充视图(即使用小波变换生成的 scalogram)是否对齐,对无标签的数据进行训练可以提高泛化能力,并在多个任务中实现了具有竞争力的性能。
Jul, 2020
研究提出一种基于极值理论的新颖身份分离方法,作为一种超分布检测算法,大大减少了重叠身份标签噪声所导致的问题,通过对余弦损失的调节,给出了聚类不确定性的估计,实验结果表明,该方法在受控和实际环境下比监督基线方法都有更好的性能。
Jul, 2020
本文提出一种深层级联多任务框架,通过三层深度卷积神经网络的分级设计,在对人脸和人脸特征区域进行预测的粗到细的过程中,利用其中的内在相关性以提高人脸检测和特征点定位的性能,在学习过程中还采用一种新型的在线困难样本挖掘方法,能够自动提高性能而无需手动样本选择。
Jan, 2022
本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性,以 WiFi 信号为主要定位模式,并利用 UJIIndoorLoc 数据集进行实验和验证。
Nov, 2016
本文提出了一种新颖的自监督入侵检测 (SSID) 框架,利用自编码深度随机神经网络和在线可信度估计,实现完全在线的机器学习入侵检测系统,适应网络流量的时变特性,避免离线数据采集和训练的人工与计算成本。该方法在公共数据集上得到实验验证,并与已知的机器学习模型进行比较,证明该 SSID 框架是一种精确和在线学习的物联网入侵检测系统。
Jun, 2023
本文提出了一种少样本学习系统以解决室内定位中数据收集和标记的负担,并使用图神经网络构建了转移学习框架,对于定位准确度的表现近似于使用卷积神经网络模型。
Jan, 2022
提出了一个结合了 Bayesian 模型的混合学习方法,可进行半监督下的面部识别并可以自适应地将身份与上下文相关联,同时也可以从未被标记的数据中自动学习新的身份信息。
Jul, 2018