Feb, 2023

Eloss in the way: 智能驾驶敏感输入质量指标

PDF
TL;DR本文提出了一种新型的指标 Eloss 以及一种新的训练策略，以增强感知模型的异常检测性能。Eloss 是基于感知模型信息压缩层的设计得出的，并以信息传输过程的两个期望为基础：信息量的稳定变化和信息熵的持续降低。实验结果表明，Eloss 在出现异常数据时可以偏离标准值 100 多倍，并针对相似但不同类型的异常生成独特的值。
发现论文，激发创造
  • 交通图像分割的弹性相互作用能量损失

    提出了一种简单高效的基于几何敏感能量的损失函数，用于卷积神经网络在实时交通场景理解中的多类别分割，特别适用于自动驾驶。

    Oct, 2023

  • 面向鲁棒性无监督时间序列异常检测的有损压缩

    本文提出了一种新的损失因果时间卷积神经网络自编码器来进行异常检测，其使用速率 - 失真损失和熵瓶颈来学习压缩编码的潜在表示，有助于实现更实际的无监督异常检测方案。

    Dec, 2022

  • 数据被高估：在训练数据缺失时，感知指标可能引导学习

    通过使用感知度量标准进行训练，以改进模型对未知自然信号的泛化能力，我们展示了使用感知损失进行训练优于使用标准欧几里得损失的模型在测试时重构频谱图和重新合成音频的能力。

    Dec, 2023

  • 基于损失的敏感性正则化：面向深度稀疏神经网络

    LOBSTER 是一种用于训练稀疏拓扑的神经网络的方法，通过减少灵敏性最小化对损失函数的影响，从而稀疏化网络。在多个体系结构和数据集上进行的实验显示出具有竞争性的压缩比和最小的计算负担。

    Nov, 2020

  • 回归主动学习中学习损失的数学分析

    本文介绍了一种新的基于 Learning Loss 框架的改进学习算法 LearningLoss++，通过对梯度的精确分析和对多尺度特征的结合实现了对数据的更好利用，提升了在人体姿势估计任务中的性能表现。

    Apr, 2021

  • 学习到的感知图像增强

    本文提出了一种使用卷积神经网络的学习 no-reference image quality metric 来提高图像处理算子的感知质量的方法，从而优化图像增强算法，成功调整局部色调映射和去雾等多种操作。

    Dec, 2017

  • 基于显著敏感损失的稳健交通信号灯检测：计算框架和评估

    本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

    May, 2023

  • 损失函数比较研究：一般和拥堵场景下的交通预测

    该研究探索了受重尾分析和不平衡分类问题启发的各种损失函数，以解决交通预测中拥堵预测不准确的问题。在实际交通数据集上的大量实验表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳，这些选择能有效地预测交通拥堵事件而不损害正常交通速度预测的准确性。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。通过提高拥堵预测的准确性，我们倡导在实际交通管理场景中使用可靠、安全和有韧性的 AI 系统。

    Aug, 2023

  • Auto Seg-Loss: 为语义分割寻找度量代理

    本文主要介绍了在深度网络训练中设计适当的损失函数的重要性，特别是在语义分割领域，介绍了自动设计指标特定损失函数的方法，并介绍了代替度量中不可微分操作的可参数化函数以及在参数搜索中使用的两个约束。实验表明，所搜索的替代损失函数在其他数据集和网络上也具有良好的泛化能力，与手动设计的损失函数相比性能更好。

    Oct, 2020

  • 自动驾驶中行人检测的安全适应损失

    本文提出了一种新颖的安全感知损失变化，利用训练过程中估计的每个行人的关键得分来提高关键行人检测性能，评估结果表明，使用我们的安全感知损失函数对关键行人进行训练可以减少漏检而不损害对非关键行人的检测性能。

    Feb, 2024