- FLASH:具有硬件优化的快速神经架构搜索
FLASH 是一种快速的神经架构搜索方法,它在真实硬件平台上协同优化 DNN 的准确性和性能,并且该算法比现有最先进的方法具有超过四个数量级的加速,在嵌入式设备上,搜索时间不到 3 秒。
- DeepSweep:使用数据增强评估减轻 DNN 后门攻击的框架
本文介绍了一种利用数据增强技术来减轻背门攻击与增强深度学习模型鲁棒性的方法,并介绍了一个全面评估这些技术的框架。作者通过综合评估 71 种现有的数据增强函数来发现对于不同的背门攻击,最佳的策略可以有效地减轻八种不同的背门攻击,并超越了五种现 - ICML基于决策边界复杂性的深度神经网络可泛化性分析
本研究提议使用决策边界复杂度(DBC)评估深度神经网络 (DNN) 的泛化能力,并使用 DBC 计分系统定义和测量 DNN 决策边界的复杂性。DBC 评分可以提供一个定量的泛化评估方法,并证明了使用更简单的决策边界对模型泛化能力表现更好的假 - ECCV用辅助信息进行弱监督学习以应对嘈杂标记图像
通过使用 SINet 实现弱监督学习,该模型通过引入侧面信息生成紧凑的分类表示并估计每个噪声图像的正确性得分,可以大大减少噪声图像标签的负面影响,并有助于训练具有高性能的 CNN 分类器。
- MM通过 DNN 瓶颈强化来防御对抗性样本
本文提出了一种基于 DNN 的信息瓶颈增强方案,以减轻 DNN 对抗攻击的脆弱性。通过引入多尺度低通目标和多尺度高频通信来增强信息瓶颈,本方案能够有效地过滤冗余信息,对 MNIST、CIFAR-10 和 ImageNet 等数据集的实验结果 - 传统方法启发的深度神经网络用于边缘检测
提出了一种传统方法启发框架来以最小的复杂度产生良好的边缘,并建立了 TIN2 模型,其准确性高于最近的 BDCN2 模型但模型更小,该模型采用特征提取器,强化和汇总器,相当于传统边缘检测方案中的梯度,低通滤波器和像素连接。
- 提高神经网络的对抗鲁棒性的增量余量对抗训练 (IMA)
提出一种新的对抗性训练方法,称为增量边界对抗训练 (Increasing-Margin Adversarial Training),该方法通过生成最佳对抗性训练样本来提高鲁棒性,同时保持准确性,在医学图像分类和分割应用中实现了准确性和鲁棒性 - CVPR多尺度照片曝光校正学习
该研究提出了一种基于深度神经网络模型的曝光校正方法,通过提供一个新数据集解决了曝光错误的问题。
- CVPR强健的深度神经网络推理的部分权重适应
GearNN 是一种自适应的推理体系结构,它优化了少量的 “失真敏感” DNN 参数,根据输入的失真水平适应性地调整,从而提高了动态输入失真下 DNN 推理的准确性。
- 使用自适应和多头自注意力进行语音增强
该论文研究了一种使用辅助说话者感知特征的自适应语音增强方法,从测试话语中直接提取用于适应的说话者表示。采用多任务学习的语音增强和说话人识别,并使用说话人识别分支的最终隐藏层输出作为辅助特征。此外,采用多头自注意力机制捕捉语音和噪声的长期依赖 - 非局部注意力优化及改进上下文建模的神经图像压缩
本文提出了一种基于深度神经网络(DNN)的 VAE 结构的新型非局部注意力优化和改进的上下文建模图像压缩(NLAIC)算法,采用了非局部网络操作嵌入到编码器和解码器中,通过采用关注机制生成掩码来让特征自适应量化,实现了改进条件熵建模潜在特征 - 隐匿明目之间:对抗性干扰扰乱人工智能人脸合成
本研究通过在训练数据中添加微不可见的对抗干扰因素,破坏基于深度神经网络的人脸检测器的质量,从而防止个人受到最近利用 AI 合成的假面孔可能造成的负面社会影响。我们在白盒、灰盒和黑盒环境下描述了攻击方案,并在若干数据集上实证展示了我们的方法破 - 边际问题:面向说话人识别更具区分性的深度神经网络嵌入
本研究介绍了三种基于边界的深度说话人嵌入学习损失函数,以实现更优的说话人辨识性能。在 VoxCeleb1 和 SITW 两个公共数据集上的实验证明了该方法比传统的交叉熵损失函数 softmax 具有更优的性能,分别在两个数据集上实现了 25 - EmBench:量化现代通用设备上深度神经网络的性能变化
该研究使用各种普通设备系统地评估了一系列最先进的 DNN,识别了每种架构的潜在瓶颈,并提供了可以帮助社区协同设计更高效的 DNN 和加速器的重要指导方针。
- 深度神经网络用于声纳图像中的海洋垃圾检测
本文对使用深度神经网络(DNN)进行海洋垃圾检测的问题及相关问题(如图像分类、匹配和检测建议)进行了全面评估,研究结果表明,对于评估任务,DNN 是一种优越的技术,尤其是在匹配和检测建议任务方面具有很大的优势,这对于实践者是有价值的信息。
- CVPR基于在线轨迹过滤学习控制器融合网络的视觉无人机竞赛
本文提出了一种学习使用深度神经网络 (DNN) 融合多个控制器的优化控制器的方法,该网络使用在线轨迹过滤,能够学习过滤后的来自不同控制器的轨迹的好融合,从而在自主 UAV 比赛中取得显著的表现优势。
- 渐进式 DNN 压缩:使用 ADMM 实现超高剪枝和量化率的关键
通过 ADMM(Alternating Direction Methods of Multipliers)方法,本文提出了一种新的基于 DNN 模型的结构压缩框架,实现了在不损失精度的情况下对 Lenet-5,AlexNet 和 ResNe - 在无线网络中使用目标确定性策略学习功率控制
本文提出了一种使用深度强化学习和确定性策略目标的 ICIC 框架来提高无线网络的能量效率,它克服了强化学习和深度学习在无线网络中遇到的主要障碍,实验表明这种框架能够在不同的无线干扰场景下,在能效和吞吐量方面优于现有方案。
- WSDM针对深层文本匹配的增强式迁移学习:学习有选择地迁移
本文提出了一种基于 actor-critic 框架的加强型迁移学习方法,通过强化数据选择器来选择高质量源域数据,以帮助神经网络进行深度文本匹配,对两个主要的文本匹配任务进行了实验评估,结果表明该方法可以显著提高神经网络的性能。
- NIPS解释性修正:一种解释和修正深度学习目标检测器预测的框架
本文提出了一种实用的方法,通过使用最近的理论并近似 Shapley 特征重要性值解释 DNN 目标检测器所做的决策,该方法具有与最先进方法可比的保真度和足够的计算效率,可以处理大型数据集。我们在质量和数量方面展示了所提出的解释方法可用于查找