CVPRApr, 2021

训练新领域的草图识别器

PDF
TL;DR本文研究草图识别算法，并关注数据收集协议的生态有效性以及适应小数据集的方法对算法的影响。通过以基于草图的游戏为例子，研究表明深度学习方法和 SVMs 以及 GBMs 相比，在数据不足且昂贵的情况下，随着数据集的增加，标准的方法表现效果更佳。在研究中，我们强调将小数据集的学习视为深度草图识别领域的一个重要问题，并针对这一问题提出了不同的解决方案。
sketch recognition algorithmsecological validitydeep learning methodssmall datasetstransfer learning
发现论文，激发创造
  • 更深，更广，更艺术化的领域泛化

    本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

    Oct, 2017

  • 融合与注意力：面向艺术和素描的广义嵌入学习

    本文介绍了一种新型的嵌入式学习方法，利用门控融合和注意力，通过对来自不同领域的查询图像的嵌入向量进行对比学习，实现不同领域的图像数据通用表示，提高计算机视觉的表现力。

    Aug, 2022

  • 通过生成数据集实现强健分类：让现实留给想象

    本文研究了生成数据集对图像分类器自然鲁棒性的影响，发现与标准训练和流行的数据增强策略相比，使用真实数据和生成数据相结合进行训练可以提高 Imagenet 分类器的准确性和鲁棒性，同时分析了不同因素对结果的影响，并介绍了 ImageNet-G-v1 数据集。

    Feb, 2023

  • 基于素描的照片分类器生成

    通过从用户的自由手绘草图中综合图像分类器，我们通过训练模型回归网络将自由手绘草图空间映射到照片分类器空间，从而实现了新类别的照片分类器的综合。同时，此方法还可以用作现有照片分类器粒度的增强方法，或作为基于名称零样本学习的补充。

    Apr, 2018

  • 走向可靠领域泛化：一个新的数据集和评估

    我们提出了一个新的域泛化任务，用于手写汉字识别，评估了 18 种域泛化方法，并展示了现有方法在该数据集上的性能仍然不令人满意。我们揭示了域泛化方法的更多性质，并主张研究人员参考方法的动态性能进行更全面和可靠的评估。我们将在文章发表时公开我们的数据集，以促进域泛化的研究。

    Sep, 2023

  • 在线域自适应驯化中的野外工具装配

    本文提出了一种针对机器人操作中暴露的变化性的视觉基准测试方法，它包括一个新的针对机器人拼装任务的数据集，一个在线适应算法，以及对这些算法的基准测试，这将有助于评估机器人视觉识别算法的泛化能力与鲁棒性。

    Jul, 2018

  • 广义分类器是否适用于人工绘制的草图？

    本文通过将大型基础模型与人类素描理解相结合，展示了这种结合带来的泛化素描表示学习（如分类）的范式转变，通过学习适用于素描的提示来改进现有模型并使其适应不同的素描抽象级别，从而超越了当前流行的素描表示学习算法。

    Jul, 2024

  • 基于物品的皮肤病变模型领域泛化

    提出了一种基于标注伪影的流程，用于深度学习在皮肤病变分析中的领域适应性评估与去偏倚。在具有不同程度偏差的数据集上进行建模，并利用基于皮肤病变的数据集进行域通用化。在测试时去除推理图像中的伪特征，实验表明该流程在有偏数据集的表现指标有所提高，且对于伪影的忽略具有较好的效果，但在外部数据集上的表现较差，尤其需要对于皮肤病变分析的公平性更加关注。

    Aug, 2022

  • 简笔输入法：系统输入识别的全面数据集和方法论

    本研究致力于为专业 C4I 系统开发专门设计的手写输入法（SketchIME），通过在该系统中利用素描作为低保真原型，在创建全面情境地图时推荐标准化符号。为此，该论文提出了一个包含 374 种专业素描类型的系统数据集，并通过多级监督的同时识别和分割架构，结合少样本领域自适应和类别增量学习，提高了网络适应新用户和扩展到新任务特定类别的能力。通过在提出的数据集和 SPG 数据集上进行的实验，验证了该架构的优越性能。

    Nov, 2023

  • 多源域自适应的元自学习：基准

    本文的研究着重于文本识别问题，通过提出元自学习方法 (Meta Self-Learning) 和收集包含 5 个不同领域的超过 5 百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

    Aug, 2021