CVPRAug, 2020

DiverseNet：当一个正确答案不够时

PDF
TL;DR本文介绍了一种简单的方法来训练神经网络，使得每个测试查询时间内能够进行多元化的结构性预测，同时比现有方法具有更好的多样性和速度。在 2D 图像填充，3D 体积估计和流场预测等三个具有挑战性的任务中，我们的方法得到了量化的改进。
structured predictionneural networkdiverse predictionsstochastic multiple choice learningmachine vision
发现论文，激发创造
  • 模型合成中的多样性诱导信息瓶颈

    本文提出了基于多样性损失函数的神经网络集成方法，以适应多模态数据的建模，并证明了其在数据分布变化和识别未知数据方面的显著性能提升。

    Mar, 2020

  • 用于训练多样深度集成的随机多选学习

    该论文提出一种基于深度网络集成模型的新型随机梯度下降方法，通过使用多种高可能性的假设，实现产生多个预测结果的任务，其能够显著增强预测能力和降低错误率，并产生可解释的任务模糊度表示。

    Jun, 2016

  • DiverseNet：决策多样化的半监督遥感图像语义分割网络

    通过同时提高训练过程中的精确度和多样性，我们提出的 DiverseNet 架构可以使用多头和多模型的半监督学习算法，实现与半监督学习方法相比更高的语义分割性能，并且相对于最先进的方法，我们提出的 DiverseHead 架构在参数空间上相对较轻，同时能够在所有测试数据集上获得高性能的结果。

    Nov, 2023

  • 克服混合密度网络的限制：一种适用于多模态未来预测的采样和拟合框架

    本文介绍了一种在预测未来时考虑多模态不确定性的方法，该方法使用了赢者通吃损失和迭代分组策略，能够有效避免模式崩溃问题。同时本文讨论了多模态分布的评估方法，包括只有一个样本时的实际应用情景。

    Jun, 2019

  • 从邻居学习：从稀疏注释中学习多模态映射

    该文章研究了如何通过邻居的注释来提高判别模型的性能，并应用于图像和语言领域的多个问题中，通过实验结果显示了该方法可以提高输出多样性和模型准确性。

    Jun, 2018

  • 多样化动态路由用于视觉任务

    该论文提出了一种名为 “Diversified Dynamic Routing” 的新型神经网络模型，通过无监督学习的方式解决了 Mixture of Experts 模型中存在的两个问题，用于在 Cityscapes 和 MS-COCO 上进行深度学习的语义分割和实例分割任务，相对于其他基准模型的表现有所提高。

    Sep, 2022

  • 局部独立预测模型集合

    本文通过介绍新的多样性度量方法介绍了一种新的模型集成方法，该方法特别适用于数据限制和协变量转移，可显著提高模型的多样性和泛化性能。

    Nov, 2019

  • 结构化径向基函数网络：多个假设预测的多样性建模

    多模态回归问题可以通过结构化径向基函数网络来解决，该网络将多个假设预测器集成在一起，通过训练期间损失函数的 Loss 值形成质心 Voronoi tessellations，从而高效地插值这些 tessellations 并逼近多个假设的目标分布，同时使用只有两层神经网络的预测器控制多样性，达到了卓越的泛化性能和计算效率。

    Sep, 2023

  • 寻找用于密集图像预测的高效多尺度架构

    在本文中，我们探索了以场景解析、人物部分分割和语义图像分割为任务的密集图像预测的元学习技术的构建，我们构造了一个有用的搜索空间并演示了即使是通过有效的随机搜索，我们也能够找到优于人工设计的架构以及在城市街景解析、人物部分分割和语义图像分割等三个密集预测任务上实现的最先进水平，同时减少一半的参数和计算成本。

    Sep, 2018

  • 密集预测任务的多任务学习：综述

    本文综述了当前深度学习在计算机视觉中的多任务学习领域的最新研究进展，主要关注密集预测任务，从网络架构和优化方法两个角度进行了阐述和总结，旨在探讨多任务共享表示学习的优势和局限性。

    Apr, 2020