- ICCV理解分类如何有助于回归的方法
在计算机视觉的深度回归方法中,添加一个分类损失到回归损失中可以得到改进的结果,尤其对于存在不平衡数据的回归任务尤为明显,因此我们建议在不平衡数据的回归任务中添加一个分类损失。
- 具有稳定匹配的检测变压器
探讨 DETR 中跨不同解码器层次的匹配稳定性问题,提出使用位置度量监督正样本的分类得分和集成位置度量到 DETR 的分类损失和匹配代价中的两种方法,并在 COCO 检测基准测试中验证其有效性。
- IJCAI健壮权重扰动对抗训练
本文提出了 Loss Stationary Condition(LSC)约束下的 Robust Perturbation 策略,该策略通过在小分类损失的对抗数据上进行权重扰动,避免深度网络的过度拟合和过度权重扰动。在对抗训练中,该方法能显著 - MM正则化分类感知量化
本文提出了一种正则化分类感知量化的算法,该算法通过在重构误差上进行正则化 0-1 损失,用于二元分类任务,性能比文献中的基准量化方案更优,并能在未见数据上快速处理。
- 长尾学习中的平衡知识蒸馏
提出了一种平衡知识蒸馏(BKD)框架,通过实例平衡分类损失和类平衡蒸馏损失的组合来训练学生模型,并成功地解决了长尾学习中模型在尾部类上的性能问题和在头部的性能问题之间的矛盾,使学生模型比教师模型有了显著的性能提升。
- AAAI基于分类损失和特征重要性的通道剪枝指导
本论文提出了一种新的分层通道剪枝方法 CPLI,它考虑了分类损失和特征重要性,并进一步改进了现有的方法,通过新策略抑制不重要特征的影响,并在三种基准数据集(CIFAR-10,ImageNet 和 UCF-101)上取得了显著的效果。
- 深度网络的多损失感知通道剪枝
本文提出了一种新的通道剪枝方法,通过使用基线模型的中间输出和剪枝模型的分类损失来监督分层通道选择,并通过考虑重建误差、附加损失和分类损失来显著提高剪枝模型的性能。
- CVPR使用部分标签学习深度卷积神经网络进行多标签分类
该研究提出了一种使用部分标签进行多标签分类的方法,其中新的分类损失利用了每个示例已知标签的比例,并通过课程学习的策略预测遗漏标签。通过实验发现,该方法在 MS COCO、NUS-WIDE 和 Open Images 等三个大规模多标签数据集 - 人物重新识别中分类损失的辩护
本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架,以学习多个通道组的判别式全局特征,并证明了其在准确性和推理速度方面优于现有技术水平。
- 深度转移学习用于人员再认证
本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题,包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明,所提出的模型在三个数据集上表现优于当前的深度人物再识 - 卷积神经网络中的子流形卷积核优化
本文提出了新的核规范化方法,解释了该方法对 CNN 中核搜索空间的几何形状的影响,并证明了该方法几乎可以保证收敛于 CNN 分类损失的单一最小值,为图像分类基准测试提供了最先进的性能。
- 利用 Siamese 循环神经网络建模时间序列相似性
本研究结合时间序列建模和度量学习,使用连锁循环神经网络(SRNs)学习相似度度量,具有很强的相似度预测能力,尤其在少样本学习场景下表现优异,可用于识别任务,如签名、语音和手语识别等。