- 多分辨率人脸识别的统一表示学习
提出了 Branch-to-Trunk 网络(BTNet),一种用于多分辨率人脸识别的表示学习方法,通过统一编码器的主干网络和多个分辨率适配器的分支网络组成,提高了微小人脸的可辨识性,同时在输入上缓解了由缩放引入的插值误差,通过分支蒸馏和向 - 重新思考领域泛化:可辨别性与泛化能力
域泛化的新观点,创造了具有强大可辨别性和鲁棒普适性的特征,通过 Selective Channel Pruning 和 Micro-level Distribution Alignment 两个核心组件,解决了当前域泛化中特征泛化和差异化挑 - ICCVDDG-Net:基于可区分性的弱监督时序动作定位图网络
提出了一种名为 DDG-Net 的方法,通过建模歧义片段和有区分性片段之间的良好连接来防止歧义信息的传播并提升片段级表示的区分能力,同时通过特征一致性损失驱动图卷积网络生成更有区分性的表示。该方法在 THUMOS14 和 ActivityN - 通过平滑尾部数据逐步学习,提高长尾目标检测能力
本文通过构建 smooth-tail 数据实现对长尾数据的更精确检测,并通过逐步优化模型以达到提高模型性能的目的。通过在 LVIS v0.5 和 LVIS v1.0 数据集上进行实验验证了本方法的卓越性能。
- 整合形式和含义:一种用于声学词嵌入的多任务学习模型
本文提出一种结合自顶向下词汇知识的多任务学习模型,通过学习将声学输入与编码高级别信息(例如单词语义)的词汇表示相映射,从而提高了嵌入空间的可区分性,并使模型更好地分离了词汇类别。
- L2BN: 通过等比例化特征的 L2 范数增强批归一化
通过该研究,我们从可区分性的角度分析了批标准化,提出了一种简单而有效的方法,即通过对样本特征进行 $l_2$ 标准化来解决令人忽视的缺点,并在图像分类和声景分类任务中通过广泛的实验评估了该方法的有效性。
- CVPRFD-CAM:CNN 视觉解释的保真性和可辨别性改进
本文提出了一种新的 CAM 加权方案 FD-CAM,它结合了改进的基于分数和传统基于梯度的权重计算,通过分组通道切换操作和改进的分数权重计算来提高权重的准确性,可以更好地解释 CNN 模型的输出。
- ICML平衡辨识性和迁移性以实现无源域自适应
在源 - 无源领域自适应(DA)场景下,本文提出了一种混合原始和对应的泛化样本的解决方案,用于提高领域的转移能力和保护隐私,在现有的无源 DA 方法上实现提高识别和转移的平衡,并在分类和语义分割任务上实现了最先进的性能,在单源和多源场景下均 - 通过抽样多相任务进行少样本类增量学习
本研究提出基于元学习的 LearnIng Multi-phase Incremental Tasks (LIMIT) 方法,合成假的 Few-shot Class-Incremental Learning 任务来建立分类特征空间,并基于 T - ECCV区分度 - 可转移性权衡:一个信息论的观点
该研究通过时间分析发现了深度表征学习中鉴别性和可转移性之间的矛盾,并提出了一种基于信息瓶颈理论的对抗性学习框架以平衡两者,从而在图像分类和迁移学习任务中取得了显著的性能提升。
- CVPR具有关联感知混合专家的通用人员重新识别
本研究提出了一种关注不同域之间相关性的专家混合方法以提高 Domain generalizable 人物重识别的性能,利用多个来源域的数据,提取特征并将其融合,最终通过投票机制完成。实验结果表明,该方法优于现有的方法。
- ACL多域文本分类的条件对抗网络
本文提出了条件对抗网络 (CANs) 框架,旨在探索共享特征和标签预测之间的关系,以对共享特征施加更多的可辨识性,用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器,同时对共享特征表示和类别感知信息建模,采用熵条件保证共享特征 - ECCV群体表征学习中的可分性提炼
本文介绍了一项基于 group representation 的任务中提升识别精度的新方法 ——discriminability distillation learning (DDL),该方法通过使用嵌入的类别质心显式设计辨别性。实验证明 - 对抗性特征幻化网络用于少样本学习
本文提出基于条件 Wasserstein 生成对抗网络的对抗特征幻觉网络(AFHN),利用少量有标签样本来生成可区分性和多样性的特征向量以解决数据标注不足的问题,并通过对比实验证明了该方法优于现有基于数据增强的 few-shot learn - 负边界很重要:理解少样本分类中的边界
本文介绍一种负边距损失函数用于基于度量学习的 few-shot 学习方法,该方法显著优于常规 softmax 损失函数,并在三个标准 few-shot 分类基准上取得了最新的最高准确度。通过实现和理论分析,发现尽管负边距会降低训练班级的发散 - CVPR协调传递性与区分度:应用于对象检测器的适应性
本文提出了一种基于 Hierarchical Transferability Calibration Network 的自适应目标检测方法,其中采用各种技术(如输入插值、自适应训练、上下文感知实例层对齐)来提高特征可辨别性和可转移性,从而使 - AAAI基于判别流形嵌入和对齐的无监督领域自适应
该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法,通过软标签建立目标域上的概率判别准则,并将其扩展为全局逼近方案,利用流形度量对齐与嵌入空间兼容,同时导出理论误差界限,实现转移性和区分性的一致性,实验结果表明 - CVPR多核相关滤波器实现高速跟踪
本研究将多核学习应用于相关滤波器(CF)算法的升级,提出了一种新的 KFCK 算法(MKCFup),通过消除不同核之间的负互干扰,显著提高了算法的准确性和速度,实现了对高速小移动目标的有效跟踪。
- CVPR用于训练描述性字幕的区分性目标
本文提出了一种改进图像标题生成方法的方法,通过在训练过程中加入与机器学习相关的损失函数来加强图像标题的区分度,从而提高生成标题的质量。
- 通过 CNN Tree 学习大规模分类的细粒度特征
本文提出了一种新颖的方法来增强卷积神经网络(CNN)的可辨别性,通过建立一个树状结构来逐步学习精细的特征,以区分一部分类别。我们开发了一种新算法,有效地从大量类别中学习树结构。实验表明,我们的方法可以提高给定基本 CNN 模型的性能,且具有