该论文旨在开发一种简单且可扩展的增强学习算法,使用标准的监督学习方法作为子程序。提出的 AWR 方法只需几行代码即可实现,能够适应连续和离散行动,其性能与许多最先进的 RL 算法相当,无需其他环境交互即可从纯静态数据集中获取更有效的策略。
Oct, 2019
本文提出的学习自动加权(LAW)框架是一种有效的解决训练偏差问题的新型示例加权方法,采用三个关键组件,通过阶段搜索、重复网络奖励、全数据更新等操作实现自适应的加权方案,实验结果证明其优于标准训练流程,可在倾斜的 CIFAR 和 ImageNet 中找到更好的加权计划提高准确率。
May, 2019
该研究提出一种基于概率模型和注意力机制的框架来提高单幅图像中的三维手部重建精度和抗噪性,其中模型基于网络的先验概率分布和关节节点之间的依赖关系,通过关节与网格顶点之间的关联来改进特征表示,同时使用学习型自遮挡感知的手部纹理回归模型来获得高保真度的纹理重建。实验结果显示该概率模型在单张图像中实现了三维手部和纹理重建的最新技术,包括在有严重遮挡的情况下的情况。
Apr, 2023
提出了一种名为 A2J 的锚点到关节回归网络,使用 ResNet-50 作为主干网络进行全局 - 局部的空间上下文信息捕捉,以预测手和身体的 3D 关节位置,并且在多个实验数据集上得出其优越性和高速性。
Aug, 2019
该研究提出了一种基于 K 聚类回归森林和三维仿射姿态回归的人脸对齐流程,改进了面部形状初始化,使用金字塔 HOG 特征和加权分裂(KRFWS)的 K 聚类回归森林进行面部对齐,实验表明该方法在 IBUG 数据集上提高了 20%,并在整个 300-W 数据集上取得了最新的精度。
Jun, 2017
提出了一种结构感知回归方法,利用骨代替节点进行重新参数化,使用联合连接结构定义组合损失函数来编码姿态中的长程相互作用,在 2D 和 3D 姿态估计中具有普适性并且在人体姿态估计领域的两个数据集(Human3.6M 和 MPII)中显著超越最先进的方法和竞争最先进结果的性能。
Apr, 2017
本文提出了一种新的多视点点云配准方法,使用神经网络评估扫描对之间的重叠,构建稀疏的姿态图,并在 IRLS 方案中设计了一种新的历史加权函数以提高对异常边缘的强鲁棒性,实验结果表明,相对于现有方法,我们的方法在 3DMatch 数据集上实现了 11% 的更高配准召回率,在 ScanNet 数据集上实现了约 13% 的更低配准误差,降低了约 70% 的必要的成对注册。
通过 3D 可塑模型构建多样化的深度数据集,利用预训练的 RGB 和深度模型对人脸进行识别,引入自适应置信加权机制实现模态融合,提高 RGB-D 人脸识别的性能。
Mar, 2024
该论文提出了一种新方法,利用多视角投影和学习的姿态先验,通过多视角热图来回归手部姿态,最终得出三维手势估计,实验表明该方法在难以应对的数据集上取得了优异表现。
Jun, 2016
本研究提出了一种自适应加权超分辨率网络(AWSRN),其中包括局部融合块(LFB)和自适应加权多尺度(AWMS)模块,以提高超分辨率任务中的效率和性能。实验结果表明,AWSRN 取得了比当前最先进的方法更好的性能,并且具有轻便的特点。
Apr, 2019