通过引入辅助任务的模型学习框架,本文提出了一种新的方向,即通过捕捉时空依赖关系以实现坐标恢复,以及通过辅助任务促使辅助自适应变压器更好地学习特征,并通过实验证明了该方法的优越性。
Aug, 2023
提出了一种新的基于增强学习的姿势预测模型,结合行为克隆和生成对抗学习,通过这种模型对未来的人体姿势进行预测,实验结果表明该模型在短期和长期预测方面优于现有方法。
Sep, 2019
本文提出了一种用于预测未来动作的深度神经网络框架,其中使用辅助记忆动态地导出主体特定的、任务特定的和其他辅助信息,并提出一个多头知识检索机制,以允许进行多个查询操作以促进将来动作的长期预测。在 Human3.6M 和 CMU-Mocap 两个公共基准测试中,我们证明了这些设计选择允许所提出的方法以显着优于当前最先进方法的较大优势进行操作。
May, 2023
本文研究了基于单目视觉技术的 3D 人体姿势估计问题,提出利用无监督域自适应方法,引入包含两个输出头的 MRP-Net 网络,利用预测不确定性实现模型适应和泛化,并取得了在各项基准测试中的最优性能。
Mar, 2022
该研究提出了一种自动学习辅助标签的新方法,通过训练标签生成网络和多任务网络来改善任何监督学习任务的泛化能力,并展示了 Meta AuXiliary Learning (MAXL) 方法自监督的优势,该方法不需要额外数据就能在 7 个图像数据集上胜过单任务学习,并在自动生成的辅助标签方面超越其他基线。
Jan, 2019
本论文提出了一种个性化的深度神经网络技术,通过 fine-tuning 和使用 Transformer 模型,利用自我监督目标来适应每个测试样本,从而显著提高人体姿态估计模型的表现。
Jul, 2021
利用 Meta Test-Time Training 的方式结合 Meta-learning 和 Self-supervised Learning,来使深度神经网络在测试时能够应对域漂移的问题,从而提高其在 CIFAR-10-Corrupted 图像分类基准测试中的表现。
Mar, 2021
使用元学习实现个性化无监督转化行为的普适解码器。
Oct, 2019
使用 meta-recognition 模型通过 autoencoder 方法,学习简洁的模型代码,并通过 meta-generative 模型构建任务特定模型参数,实现比 fine-tuned 基线网络更低的损失和与最先进的元学习算法相匹配的性能,同时还能够识别对模型预测有影响的训练样本和预测获取哪些附加数据将对改善模型预测最有价值。
Jul, 2018
通过自我监督学习利用时空关系进行姿态嵌入的深度卷积网络,包括时序和空间任务,在数据采样中利用一种课程学习方法,并挖掘单个视频中的重复姿态,以提高姿势估计和检索效果。
Aug, 2017