- 基于自对比的半监督学习框架用于预后预测的全切片图像
应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究,提出了一个新颖的三部分框架,包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证,并在膀胱癌的预后预 - SPVLoc: 未见环境中的 6D 相机定位的语义全景视口匹配
本文介绍了 SPVLoc,一种全球室内定位方法,能够准确确定查询图像的六维(6D)相机姿态,无需过多的现场特定先验知识和训练,采用了一种新颖的匹配过程,在室内环境的一组全景语义布局表示中定位了透视相机的视口,这些全景图由未贴图的 3D 参考 - 驾驶员注意力跟踪和分析
我们提出了一种使用安装在车辆挡风玻璃和仪表盘上的普通摄像头来估计驾驶员凝视点的新方法。该方法通过开发一种卷积网络来同时分析场景图像和驾驶员面部图像,其中包含一个相机校准模块,可以计算表示驾驶员和摄像头系统之间空间配置的嵌入向量,该模块改善了 - ConvTimeNet: 多变量时序分析的深层分层完全卷积模型
本文介绍了 ConvTimeNet,这是一个新型的深层分层全卷积网络,旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手,旨在克服传统卷积网络的局限性。第一,我们提出了将时间序列自适应分割为子序列级的补丁,并将其作为基本建模单元 - 基于时序相关增强塑性的深度无监督学习
使用深度 - STDP 框架,将卷积网络与由 STDP 聚类过程生成的伪标签同时训练,相比于 k-means 聚类方法,在小型图像数据集上准确度提高了 24.56%且收敛速度提高了 3.5 倍。
- 医学图像不变散射变换
研究发现,不变散射变换是一种有效的医学图像分析系统,可通过将信号信息分散到深度卷积网络中,通过波波变换技术来构建有用的图像分类信号表征。
- 使用平衡传播训练伊辛机
本文介绍了一种新的方法,使用平衡传播算法对 Ising 机器进行监督训练,获得与软件实现相当的结果。我们使用 D-Wave Ising 机器的量子退火程序在 MNIST 数据集上训练全连接神经网络,并且证明了该机器的连通性支持卷积操作,从而 - ConvBoost: 提升用于传感器活动识别的卷积神经网络
本文提出了 ConvBoost 框架,它是一种基于卷积神经网络的人体活动识别的结构模型,通过增加三种不同的数据增强模式,来解决训练样本不足的问题,从而对现有的卷积神经网络模型进行提升。在三个标准基准数据集上得到了显著的性能提升。
- 使用深度完全卷积网络在 CT 扫描中分割主动脉血管树
采用两阶段的全卷积网络,在 CTA 扫描中准确自动地分割主动脉血管树,达到加速医学图像分析流程的目的,并在 2023 年 MICCAI 主动脉(SEG.A.)挑战赛中,使用公共数据集评估了该方法,取得了较高的 Dice 相似系数(0.920 - CVPR通过深度各向异性扩散指导的深度超分辨率
本文提出了一种新颖的方法,将有向各向异性扩散技术和深度卷积神经网络相结合,实现了超分辨率深度图像的指导。该方法以前人的研究为基础,在边缘转移 / 增强性,与现代网络的上下文推理能力和严格的校准步骤的保证下,在三个常用的超分辨率指导深度准则下 - 利用中点混合在多视角数据中可以实现可证明学习多样性特征
该论文介绍了 Mixup 数据增强技术在图像分类方面的应用,从特征学习的角度解释了其成功的原因,并提供了实验证据支持其理论分析,证明其在处理具备多种特征的分类问题时效果良好。
- 基于众包的深度卷积神经网络用于城市洪水深度制图
本研究使用深度卷积网络分析水淹交通标志的众包图片,确定洪水深度,实现低成本、准确和实时洪水风险地图制作。测试表明,该模型的平均绝对误差为 6.978 英寸,与先前研究相当,从而证明了该方法的适用性。
- 使用深度神经网络从侧扫声纳进行高分辨率洋底地形重建
该研究提出了一种新颖的数据驱动方法,通过测距侧扫声呐图像和稀疏深度信息,结合全卷积网络和神经网络,用于高分辨率测绘海底地形图。
- 基于方向进化策略的易部署网络高效参数搜索
本文设计了一种改进的重新参数化搜索空间以及基于神经网络架构搜索的自动重新参数化增强策略,通过搜索优秀的重新参数化架构进一步提高了卷积网络的分类精度。
- 单幅 RGB 帧的基于语义关键点的姿态估算
该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法,该方法结合了经卷积网络预测的语义关键点和可变形的形状模型,同时采用了半自动数据生成技术来训练可学习组件,在实验中该方法达到了与现有技术相当的结果。
- 基于空间增强和动态图卷积网络的科学论文研究趋势预测
利用深度学习神经网络结合 GCN 和 TCN 的卷积网络模型提出一种基于历史数据的科研主题热度预测算法,通过捕捉主题之间的空间依存性和时间变化关系, 实现对未来研究热点的有效预测。
- 放弃 Bayer 滤镜,看见黑暗
本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器,以生成单色原始图像,同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明,通过利用原始传感器数据和数据驱动的学习,可以显著提高 - 毁灭之路:使用小数据集学习迭代式关卡生成器
本文介绍了一种新的程序化内容生成方法,通过从现有关卡数据集中学习迭代式关卡生成器来生成唯一可玩的瓷砖式关卡,并且提出了所谓的毁灭路径方法,将关卡生成视为修复过程,训练一个卷积网络将被广泛改变的关卡的特征作为输入和其修复操作作为输出,从而迭代 - 走向全面的场景理解:语义分割与更多
本论文介绍了视觉场景理解的各方面研究,特别是通过使用语义分割网络在不同数据集上进行训练来提高分割性能和泛化性以及训练效率,以及通过多种方法来实现弱监督学习和部分感知全景分割等新任务,为实现全面、丰富、可持续的视觉场景理解铺平了道路。
- 野外快速飞行学习
提出了一种全新的端到端方法,利用卷积神经网络将嘈杂的传感观测直接映射到避撞轨迹,从而实现四旋翼的高速自主飞行。在模拟训练中,该方法可以实现从模拟到真实环境的零 - shot 迁移,成功地使四旋翼在森林、雪地、脱轨的火车和倒塌的建筑物等复杂环