CVPRMar, 2020

FOAL: 心脏运动估计的快速在线自适应学习

PDF
TL;DR提出了一种基于在线自适应学习（FOAL）框架的心脏 MRI 视频动态估计方法，该方法通过进行元学习来优化在线梯度下降，以快速、稳健地实现自适应调整，实验结果表明，FOAL 相对于离线训练追踪方法在准确性方面达到了卓越表现，每个视频仅需要 0.4 秒的在线优化。
发现论文，激发创造
  • 元追踪器：快速且强韧的在线适应视觉目标追踪器

    本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在 OTB2015 和 VOT2016 标准基准测试中优于当前最先进的跟踪方法。

    Jan, 2018

  • 基于实例检测的跟踪：一种元学习方法

    本文提供了一种将目标检测器（如 RetinaNet 和 FCOS）快速转换为跟踪器的方法，即使用元学习方法（MAML）进行离线训练和领域自适应，并展示了通过该方法构建的 Retina-MAML 和 FCOS-MAML 跟踪器在四个基准测试中的竞争力。

    Apr, 2020

  • 基于递归最小二乘估计法的在线学习在视觉跟踪中的应用

    本文提出了一个无需离线训练的在线学习方法，通过递归最小二乘算法辅助进行 few-shot 在线自适应学习，实现在模型中构建记忆保留机制，同时防止过度拟合和遗忘，有效提升了现代深度跟踪器的表现效率。

    Dec, 2021

  • 医学图像分析的在线主动深度学习 (O-MedAL)

    本文介绍了一种新的在线主动深度学习方法，在医学影像分析中取得了显著的性能提升，通过新的采样方法和在线学习，只需使用 25% 的标注数据，就能使深度网络的精度提高 6.30％，在二分类和多分类任务中也展现出很好的鲁棒性。

    Aug, 2019

  • 基于元学习的在线自适应立体深度估计

    本文提出了一种基于在线元学习的深度学习网络在线自适应方法来解决立体深度估计的在线自适应问题，并在 KITTI 数据集上进行了实验，其性能可以与基于批处理训练的最先进算法相媲美。

    Apr, 2019

  • Temporal HeartNet：实现胎儿心脏筛查视频自动分析的人类水平

    该研究提出了一种自动描述以及指导超声（US）胎儿心脏视频图像解释的有用信息的方法，使用卷积神经网络与锚机制及 IoU 误差进行多任务预测和位置精确定位，最终能够精准地描述困难 US 视频中详细的心脏参数，实现与专家注释相当的性能，研究在临床数据集上进行。

    Jul, 2017

  • MetaVA: 基于心电图的室性心律失常深度神经网络识别的课程元学习和预微调

    本研究旨在解决机器学习模型应用于心电图检测室性心律失常的挑战，提出了一种基于元学习和课程学习方法的新型预训练模型以解决组级别差异，并提出改进的预精调方法以解决个体级别差异，实验证明该方法在所有评估指标上优于其他方法。

    Feb, 2022

  • 在线声音事件检测的主动学习

    在线主动学习（OAL）应用于声音事件检测（SED）时，本研究提出了能够解决 OAL 中存在的挑战的新型损失函数，实验结果表明 OAL 可将训练 SED 分类器所需的时间和精力减少 5 倍，并成功解决现有 OAL 方法存在的问题。

    Sep, 2023

  • 适应性公平感知在线元学习在变化环境下的应用

    本文提出了一种针对不断变化的环境的公平在线学习框架 FairSAOML，通过添加长期公平性约束来构建新的遗憾度量 FairSAR 和新的自适应公平在线元学习算法，提高分布不一样时的性能，同时对累积公平性约束和损失遗憾度提供了亚线性的理论上限，实验结果表明本文提出的算法在不同的数据集和环境中均优于当前最佳的在线学习算法。

    May, 2022

  • 基于优化元学习的摄像头畸变感知视频中的 3D 人体姿态估计

    本文提出了一种利用 MAML 算法、通过生成二维关键点的合成畸变数据，快速适应任何畸变环境的三维人体姿态估计模型，并通过使用骨长对称性和一致性进行推断阶段优化，以便在测试阶段成功适应各种程度的畸变并超越现有技术。

    Nov, 2021