Mar, 2023

提高模型聚焦力改善基于深度学习的合成人脸检测器性能

PDF
TL;DR本文探讨深度学习与人类感知相结合后，通过熵控制模型的焦点，优化模型的分类性能，提高在未知数据上的泛化能力，同时以人类引导视觉注意力为支撑的新损失函数作为控制手段，通过合理的损失函数组合，达到在合成样本检测方面的最优性能。
发现论文，激发创造
  • 使用 Focal Loss 对抗浅层启发式：一项关于调制交叉熵在自然语言推理中的经验分析

    本文探讨了使用改进的交叉熵损失函数 focal loss 来约束模型并提高泛化性能的方法，并在自然语言推理方面进行了实验，展示了 focal loss 对学习过程的正则影响，提高了对未知数据的准确性，但其相对于其他方法（如无偏置聚焦损失和自我偏置集合）的性能不如。

    Nov, 2022

  • 显著性的精细优化：基于显著性的生物特征攻击检测模型训练

    融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力，如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平，通过使用简单但有效的显著性后处理技术，在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。

    May, 2024

  • 缓解偏差：通过改进模型解释增强图像分类

    本文针对深度学习模型在图像分类中忽略主体目标的问题，提出了一种基于前景引导的分类器学习方法，在损失函数和架构组件方面作出一些修改，加强分类器对主体目标的关注并在基准数据集上测试，结果表明该方法可以提高图像分类器的识别准确性。

    Jul, 2023

  • 深度视觉显著性模型的理解与可视化

    通过分析深度显著性模型中间层个体神经元学习的特征表示，研究表明：一些视觉区域已经预先编码在对象识别的网络的各个层中，预先训练模型 fine-tuning 以进行显著性预测会使它们偏爱某些类别，在自然图像上，深层显著性模型胜于传统模型，但在人造刺激上表现反其道而行之。

    Mar, 2019

  • 教 AI 教学：将有限的人类关注数据转化为基于注意力无限制的训练

    利用 “teacher-student” 训练范式可以补充有限数量的人类提供的注释，使得在构建大型数据集时可以生成任意数量的模型生成的图像注释，并且在四种模型架构和两种显著性估计方法中均表现出优异的性能。

    Jun, 2023

  • 利用深度学习在中央凹区图像中学习搜索和检测物体

    研究了利用仿生学注意机制的物体识别方法，通过采用集成注意力、分类和定位的双重任务模型，利用人类注意力系统分辨图像中的感兴趣区域。

    Apr, 2023

  • 深度显著性模型对视觉注意力的学习

    通过分解隐含特征为可解释的基底，提出了一种新的分析框架，用于研究深度显著性模型成功背后的隐含特征、显著性预测的原理以及其对不同应用场景中的视觉注意力的影响。

    Oct, 2023

  • Deep Gaze I: 用在 ImageNet 训练的特征图提升显著性预测

    本文介绍一种新颖的方法，通过重复使用深度神经网络的预训练模型，构建一种针对显著性预测的模型，从而有效地提高了预测准确性，并展示此网络结构可以为视觉注意机制的理解提供新的见解。

    Nov, 2014

  • 通过学习人类关注特征图增强机器人学习

    本文提出一种新颖的方法来模拟和模拟人类注意力的近似预测模型，并将其作为结构化辅助特征图输入到下游学习任务中，通过在物体检测和模仿学习两个任务中的应用实验证明了人类注意力的预测可以提高训练模型的鲁棒性和在低数据情景下的快速学习。

    Aug, 2023

  • 基于概率分布预测的端到端显著性映射

    本研究提出一种基于 Bernoulli 分布的显著性图模型，并使用包括 softmax 在内的新损失函数，通过大规模数据和深度结构进行显著性估计，表现优于现有的显著性方法。

    Apr, 2018