- 基于卷积自编码器的预处理层提高语义分割方法的预测准确性
我们提出了一种方法来提高语义分割方法的预测准确性,该方法包括构建一个基于卷积自编码器的预处理层的神经网络,并对整个网络进行训练。通过在城市景观数据集上实验比较,我们发现所提出的目标模型的均交并比(Mean IoU)比初始初始化的全卷积网络( - 基于视频的气管插管技能评估的深度学习
该研究提出了使用单个和多个视图视频评估人工气道插管技能的框架,其中包括 2D 卷积自动编码器和预训练的自我监督网络提取视频特征,并使用具有跨视图注意模块的一维卷积增强模型进行技能评估。该方法在初期识别专家和新手试验方面达到了 100% 的准 - 自动驾驶车辆的多任务导向语义通信框架
通过提出一种多任务语义通信框架,本研究旨在解决连接和自动驾驶汽车(CAV)中的语义通信问题。采用卷积自编码器(CAE)对道路交通标志进行语义编码,并通过卫星在低可视性天气条件下从一个 CAV 传输到另一个 CAV。同时,该框架还提出了用于图 - 实现全自监督多音高估计
多音高估计中的多音高估计,监督式学习技术,自监督式学习目标,多声乐曲数据集,卷积自编码器
- 基于机器学习的沟渠负载预测
应用机器学习技术,本研究提出了预测飞机机身动态迫降载荷的方法。通过使用卷积自编码器(CAE)对空间载荷进行重构,并结合长短期记忆(LSTM)网络或基于库普曼算子的方法来预测载荷的瞬态演化。研究结果表明,LSTM 与深度解码器 CAE 的组合 - 使用卷积自动编码器防御对抗性攻击
基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性,通过生成与输入图像相似的图像来恢复模型的准确性。
- 卷积自编码器在视频异常检测中的深度学习方法
我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法,通过学习正常视频的时空模式,并将测试视频的每一帧与该学习表示进行比较,我们在 Ped1 数据集上实现了 99.35% 的总体准确率,并在 Ped - 城市无人机导航:自编码器学习融合的空气动力学
这篇论文介绍了一种将多目标强化学习与卷积自编码器相结合的方法,以提高城市紧急搜索和救援中的无人机导航。该方法利用多目标强化学习实现多个目标,并利用自编码器进行经济高效的风模拟,通过利用城市布局的图像数据,无人机可以自主进行导航决策,优化路径 - 基于共形映射卷积自编码器的任意钝体非定常流三维重构和力估计
提出了基于卷积自编码器的神经网络模型 FR3D,用于流体动力学中三维流场的重构,可推广到马鞍形的平面之外,能够以很少的误差重构出压力和速度组成,且能准确估计 Q-criterion 场以及提取几何物体的升力和阻力。
- 基于深度卷积自编码器的加油站油泵 PCB 修改检测
本研究提出了一种基于深度卷积自编码器的方法,用于检测组装印刷电路板的修改,通过对比输入图像和其重建图像,在像素级别上分割异常和修改,在真实环境数据集上对于该场景的异常分割性能优于其他先进方法,并在更普遍的物体异常检测任务的 MVTec-AD - 自我学习对脑解码的益处
使用大型公共神经影像数据库进行自学习框架,改进新任务的大脑解码,通过卷积自编码器训练神经网络,实现对任务或认知过程分类的性能改进。
- 自监督学习的自适应记忆网络用于无监督异常检测
本研究提出了一种名为 AMSL 的新方法,通过自身监督学习模块和适应性记忆融合模块,增强了无监督异常检测的泛化能力,并且在四个公共基准测试集上取得了显著的性能改进。
- 用卷积自编码器填充人体运动
本论文提出一种基于卷积自编码器的算法来解决 3D 人体运动数据中的运动填充问题,通过将缺失的姿势预测出来以使得填充后的姿势能够自然地过渡到结束序列。此方法不仅能够填补完整的帧,还能够用于补充部分姿势和去除噪声,同时能够自动拟合变化长度的缺口 - ECCV图像中的注意力导向异常定位
使用卷积对抗变分自编码器与引导注意力和注意力扩张损失的方法,可在无监督和弱监督低异常样本下精确定位异常区域,结果表明 CAVGA 在几个测试数据集上优于目前最先进的异常检测方法。
- CVPR通过时空能量压缩学习图像和视频压缩
本文提出了一种使用卷积自编码器进行图像压缩并将其推广至视频压缩的架构,通过在编码器和解码器的两个端口添加插值循环,将空时能量压缩实现到了图像和视频压缩上。作者还提出了一种在损失函数中添加基于空间能量压缩的惩罚项的方法,以实现更高的图像压缩性 - 压缩卷积 LSTM:一种高效的深度学习框架,用于模拟高保真度的三维湍流
提出了一种新的训练方法,用于减少维数和建模三维湍流的时空动力学,利用卷积自编码器和卷积 LSTM 神经网络组合,通过严格的基于物理的统计测试评估了湍流场的质量,并表明这种训练方法在计算资源开销的小部分情况下,生成了具有物理一致性的湍流场。
- 使用卷积自编码器从 MRI 进行无监督的脑部损伤分割
本研究使用卷积自编码器方法,通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病,性能远优于传统人工标注和现有自监督方法。
- 卷积自编码器学习时的空间频率损失
本文提出了利用空间频率特征来计算损失函数的方法,用于显著降低卷积自编码器重构图像的模糊程度。实验证明,利用这个方法可以减少重构图像中出现的模糊现象。
- CVPR变长损失高密度压缩乳腺 X 线图像的全卷积模型
使用全卷积自编码器结合算术编码实现医学影像的有损压缩,并在公开数据集上进行性能测试,最高压缩比可达 300 倍。
- 基于深度卷积自编码器的有损图像压缩
本文提出了一种基于深度学习的图像压缩架构,利用卷积自编码器的优势达到了更高的编码效率,并利用主成分分析来产生一个更加能量紧凑的表示,实验结果表明,该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7%的 BD 速率降低