RecNet:早期关注引导的特征恢复
给定神经网络的初始条件,通过在参数空间中重建输入从相邻激活层到单层辅助网络的级联来预测深层前馈神经网络的可训练区域,从而显著降低整体训练时间,并确定信息流动与深度神经网络的可训练性之间的具体联系。
Jun, 2024
通过实验证明,熵攻击可以增加传输开销高达 95%,提出一个新的防御机制,可以将受攻击输入的传输开销减少约 9%,只有约 2% 的准确度损失,并提出该防御机制可以与对抗训练等方法结合使用以进一步提高鲁棒性。
Mar, 2024
提出了一种基于新型深度学习结构的多方向循环神经网络方法,用于在数据流内插值和在数据流中添加值。模型在医疗数据集中的表现优于 11 个现有方法,提高了 35% 至 50% 左右的均方根误差,有效地解决了医疗数据中缺失数据的问题。
Nov, 2017
本文提出了一种信息恢复驱动的深度不完整多视角聚类网络,命名为 RecFormer,它可以通过使用自注意力结构和两阶段自编码器来同步提取多个视角的高级语义表示并恢复丢失的数据,利用重构机制来推动进一步的数据重建过程,其实验结果证实 RecFormer 在不完整的多视角聚类领域具有明显的优势。
Apr, 2023
本研究提出了一种新颖的注意力机制,用于增强卷积神经网络进行精细识别,并通过在不需要部件注释的情况下学习参考低层特征激活来更新和纠正输出的概率分布,实验证明,使用我们的方法增强的网络系统地提高了分类准确率和对干扰的稳健性,因此, Wide Residual Networks 自提出建议以来,在 CIFAR-10、Adience 性别识别任务、斯坦福狗和 UEC 食品 - 100 等方面超越了现有技术的分类精度。
Jul, 2018
提出了一种用于低测量率情况下的数据驱动非迭代算法 - ReconNet,它是一个端到端学习的深度神经网络,能够实时地将场景的测量映射到所需的图像块,并且能够在测量噪声存在的情况下产生比迭代算法更高 PSNR 值的重建结果。
Aug, 2017
本文研究了 DeepFake Audio 从检测角度进行了研究,并提出了使用注意力特征融合的通道重新校准方法进行合成语音检测。同时,我们也通过使用 SE 块和 LFCC/MFCC 的结合,改进了 Resnet 模型,并提出了更好的输入特征嵌入方式,使得即使较为简单的模型在合成语音分类任务上也能够很好地推广。经过针对 Fake or Real 数据集的训练,我们的模型在 FoR 数据上能够获得 95%的测试准确度,并在使用不同的生成模型生成样本后适应该框架后,达到了 90%的平均准确度。
Oct, 2022
提出了一个基于噪声感知的训练框架,将增强语音引入到声学模型的多条件训练中,通过两个级联的神经结构来优化增强语音和语音识别,并取得了较好的实验结果。
Mar, 2022
本文介绍一种基于迭代填充网络的模型,用于处理机器学习任务中的传感器数据且能够捕捉数据中的潜在大范围动态,并在北京空气质量和气象数据集中显着优于以往的插值填充方法,同时在不同的缺失率实验中也表现出一致的优越性。
Nov, 2017
本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法,成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务,同时提升了在受损图像方面的鲁棒性。
Mar, 2021