本研究关注于神经架构搜索方面的性能评估,主要针对一级估计器和零级估计器在五个 NAS 基准测试的结果进行了分析,并揭示了它们存在的一些偏差和方差,同时提出了减轻这些不满意结果的建议,并提供了一种框架来更全面地理解新设计的体系结构表现评估器。
Aug, 2020
本研究提出了一种 Oblivious Subspace Embedding (OSE) 技术以及两种 Oblivious Sparse Norm-Approximating Projections (OSNAPs) 技术,基于随机矩阵理论,用于加速数值线性代数问题解决,诸如近似最小二乘回归,低秩逼近和逼近杠杆分数。
Nov, 2012
本文提出了一种基于 Taylor 级数近似的自组织操作神经网络 Self-ONNs,旨在解决卷积神经网络在图像复原方面的不足问题,并在三个不同的复原任务上进行了广泛的消融实验以证明其优越性。
本文提出了一种名为 SEANO 的新框架,用于学习部分标记属性网络 (PLAN) 中顶点的拓扑接近性、属性亲和力和标签相似性的低维向量表示,并在消除异常值的同时工作于传递和归纳设置,并证明在各种数据集上都显著优于现有方法。
Mar, 2017
本文提出自我强调网络(SEN)以突出信息区域提高手语和面部表情识别精度,通过轻量级子网络和注意力图动态增强特征,并用时序自我强调模块自适应突显关键帧,以减少计算量和昂贵的监督。基于 PHOENIX14,PHOENIX14-T,CSL-Daily 和 CSL 数据集的比较实验结果表明,SEN 在识别精度上表现优异。
Nov, 2022
本文提出了一种使用非局部先验的 CS 方法,称为 NL-CS Net,通过学习解决非局部和稀疏正则化优化问题的扩展 Lagrangian 方法的每个阶段来解决现有网络方法的不足,其中重要参数是端对端学习的,并且在自然图像和磁共振成像实验中表现出更好的性能。
May, 2023
提出了一种新的基于马尔科夫链的生成随机网络(GSN)框架作为概率模型的训练原则,并通过具有反向传播的梯度来学习该链的转移算子,该理论提供了关于依赖网络和广义伪似然的有趣解释,试验结果验证了该理论在两个图像数据集中的有效性,并且在训练时不需要层次预训练。
Mar, 2015
本文介绍了一种基于深度神经网络的结构预测模型 Structured Prediction Energy Networks(SPENs),通过后向传播优化能量函数来进行终到终的学习,并在 7-Scenes 图像去噪和 CoNLL-2005 语义角色标注任务中展示了该方法的强大能力。
本文提出一种新的光学神经网络(ONN)框架,模拟人眼视网膜中心附近的高分辨率,实现了图像分类估计的标量不变性,并且通过同维孪生(Siamese)结构将不同缩放级别的图像输入通过相同的卷积神经网络(CNN)进行处理,最终的结果可用于提高现有算法中的准确性。
May, 2018
本文提出了一种基于线性过参数化的卷积神经网络的超高清图像重建模型,其在六个基准数据集上取得了类似或更好的图像质量,需要比现有模型少 2 倍至 330 倍的操作,适用于受限制的硬件并可用于实际移动设备上进行超高清图像重建。
Mar, 2021