Dec, 2023

目标计数中的点注释恢复的噪声自编码器

PDF
TL;DR通过引入 Noised Autoencoders（NAE）方法，从注释中提取一般位置知识，解决目标计数中的标注不一致性问题，显著提高模型训练性能，帮助在九个数据集上创造新记录。
发现论文，激发创造
  • 约束归一化下的自编码

    提出了一种基于自编码器构建的标准化概率模型 ——Normalized Autoencoder (NAE)，通过抑制负样本的重构实现规范化，并显著提高了异常检测性能。

    May, 2021

  • Point-MA2E: 带遮蔽和仿射变换自编码器用于自监督点云学习

    本论文提出了一种基于 Masked 和 Affine 变换的自我监督点云学习模型，通过在输入中添加 Affine 变换和掩模来损坏点云并使用编码器 - 解码器模型重建完整点云，实验证明其在对象分类、小样本学习、鲁棒性测试、部件分割和 3D 对象检测等方面有效。

    Nov, 2022

  • 掩码自编码器是强大的神经架构搜索学习者

    提出了一种基于遮蔽自编码器的新型神经架构搜索（NAS）框架，该框架在搜索过程中不需要标记数据。通过用图像重构任务替代监督学习目标，我们的方法能够在不损害性能和泛化能力的情况下，有效地发现网络架构。此外，我们通过引入多尺度解码器来解决在无监督范式中广泛使用的 Differentiable Architecture Search（DARTS）方法遇到的性能崩溃问题。通过在不同的搜索空间和数据集上进行大量实验证明了所提方法的有效性和鲁棒性，并提供了其优于基线方法的经验证据。

    Nov, 2023

  • 基于 Masked-AutoEncoder 的点云预训练中的 3D 特征预测

    通过自编码器预训练并采用使用基于注意力机制的解码器，本文在点云分析任务中表现优异，提高了点位置重建的不必要性，并还原了遮挡点的基础功能特征，包括表面法线和表面变化。

    Apr, 2023

  • 通用噪声注释：揭示噪声注释对目标检测的影响

    本文针对带有噪声标签的目标检测任务，提出了一种更加实用的设置，包括可以发生在目标检测中的所有类型的噪声，并分析了如何影响检测器的性能。

    Dec, 2023

  • 回归再构造：点云自监督学习的回归自编码器

    提出了一种名为 Point-RAE 的新的自编码器方案，用于点云的自监督学习，通过引入掩码回归器，在编码器和解码器之间进行功能解耦，最小化解码器对编码器表示空间的影响，并通过对齐约束确保从可见补丁的编码表示中预测出的用于掩码补丁的表示与从编码器计算的掩码补丁表达对齐。大量实验证明该方法在预训练过程中高效，并在各种下游任务中具有良好的泛化性能。

    Sep, 2023

  • TrustMAE：一种使用带有信任区域的记忆增强自编码器的噪声鲁棒性缺陷分类框架

    本文介绍了一种名为 TrustMAE 的框架，该框架能够识别产品缺陷，即便没有已标注的有缺陷图像。这种方法不易受到噪声的影响，可以通过一种稀疏内存寻址方案来避免自动编码器过于泛化，并且可以通过一种新颖的信任区域内存更新方案在记忆槽中保留有用的信息和避免噪声。TrustMAE 能够通过感知距离网络重建无缺陷的图像并且找到有缺陷的区域，相较于其他基线方法，在 MVTec 数据集上的效果有竞争力，并且在噪声等级高达 40% 的情况下仍然有效，远远优于其他基线方法。

    Dec, 2020

  • Point-M2AE：基于多尺度掩码自编码器的分层点云预训练

    提出 Point-M2AE，一种新的多层次自监督学习框架，用于使用 Masked Autoencoders 预训练 3D 点云的分层表示学习，其具有优越的性能并超过了其他完全训练的方法。

    May, 2022

  • 工业异常检测与定位的噪声到规范重构

    提出了一种基于重建的方法，利用噪声到规范范式来检测工业质量检测中的异常，通过多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。

    Jul, 2023

  • 利用自注意力自编码器和邻居感知来推荐地点

    本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

    Sep, 2018