- 基于拓扑的图转换器
Topology-Informed Graph Transformer (TIGT) enhances discriminative power in detecting graph isomorphisms and overall per - 将统计显著性与区分能力整合于模式发现
将统计显著性和判别能力准则融入现有算法,同时保持模式质量,以引导模式发现,并通过三个案例研究证明其在发现具有显著改进的模式中的重要性。
- 是否所有基准数据集都是必要的?文本分类数据集评估的试验研究
探讨了基准测试中是否所有数据集都是必要的问题,实验证明,一些不常用的数据集有较强的区分能力,同时针对文本分类任务,通过数据集特征构建了预测模型。
- ECCV多尺度和跨尺度对比学习用于语义分割
本研究考虑应用监督对比学习提高语义分割中多尺度特征的判别能力,并通过有效的采样过程与跨尺度对比学习方法进一步提高模型性能。
- CVPR强化区分度的损失函数以提高表示学习
通过引入 Gini impurity 所启发的新损失项和最小化两个高级特征分布之间的 Kullback-Leibler 散度,我们在两个图像分类数据集上进行了实验,并得出结论,将我们的新损失项集成到训练目标中始终优于仅使用交叉熵训练的模型, - CVPR基于记忆的无监督图像翻译
提出了一个基于类别感知的记忆网络的无监督框架,可以针对局部风格差异进行实例级图像转换,而不是对整张图像应用全局风格。实验结果表明,该模型在实例级图像转换方面的性能优于最近的方法,并实现了最新的成果。
- ICCVCIZSL++:创意启迪的生成式零样本学习
利用创造力的灵感,提出了一个创造力启发模型 CIZSL-v1 和进一步改进的模型 CIZSL-v2,通过对无法识别的类别进行视觉学习来改善 Zero-shot Learning(ZSL)的判别能力,同时引入了类比于创造力文献的学习信号,可以 - ECCV在线局部特征描述符的不变性选择
本文提出了一种名为 LISRD 的基于局部不变量选择的描述符框架,可使描述符在不需要不变性时保持有区分度,适应图像的不良变化,提高匹配性能,并在多项匹配任务中表现出色。
- AAAIContext-Transformer: 解决 Few-Shot 检测中的目标混淆问题
针对少样本目标检测的问题,我们提出了一种基于 Context-Transformer 的深度迁移学习方法,该方法可以巧妙地利用源域目标知识,从少量样本中自动利用上下文信息以提高检测器的区分能力,并在 popular SSD-style 检测 - 无监督域自适应的伪标注课程
通过基于密度的聚类算法提出伪标签课程表,通过高密度值子集进行早期训练,在后期使用低密度值的数据子集,进而改进网络生成伪标签的能力,提高模型的训练效果并实现最先进的性能
- CVPR基于 SPD 流形学习的神经网络用于基于骨架的手势识别
该研究提出了一种基于 SPD 流形学习的神经网络,用于骨架手势识别,并在两个具有挑战性的数据集上实现最先进的准确性。
- 图神经网络的能力有多强?
本文提出了一种理论框架来分析图神经网络的表达能力和限制,并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构,实验验证了理论的发现,并取得了最先进的性能。
- ICCV当无监督领域适应遇见张量表示
提出了一种基于学习的方法,用于直接适应源和目标张量表示,其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间,并展示了其在域自适应的卷积激活方面具有最佳性能。
- CVPR学习判别性的零空间用于人员再识别
本研究提出了一种新的人物再识别(re-id)距离度量学习方法,通过匹配训练数据的判别式空间来克服小样本问题,并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。
- 最大间隔深度生成模型
本论文提出了最大间隔深度生成模型(mmDGMs),它利用最大间隔学习原理来提高深度生成模型的辨别力,同时保留了生成能力。实验结果表明,最大间隔学习可以显著提高深度生成模型的预测性能,同时保留生成能力。同时,通过使用深度卷积神经网络作为识别和