feature distributions | BriefGPT

关键词feature distributions

搜索结果 - 11

多领域推荐的可检索领域敏感特征记忆
本研究侧重于具有显著差异的特征在多个领域中的分布和对模型预测的影响，称之为领域敏感特征，这些特征是领域区别的载体，对于多领域建模至关重要。为了避免忽视领域敏感特征，我们提出了一种能够识别最能反映领域区别的特征并从特征集中提取领域特定信息以增
PDFa month ago
ShaRP: 使用 Shapley 值解释排名
基于 Shapley 值的 ShaRP 框架用于解释特征对排序结果的贡献，展示了即使排名算法使用已知和线性的评分函数，特征的权重也不能与其 Shapley 值对应，而是依赖于特征分布和评分特征之间微妙的局部交互。ShaRP 在多个感兴趣的指
PDF5 months ago
通过边连接保持确信熵的鲁棒无监督领域自适应
无监督领域适应的研究中，我们提出了一种新的方法，通过在熵对抗网络中丰富判别器网络的边缘预测概率值，结合内部和外部信息以提高对象边界的清晰度，进而改进了领域适应质量。实验证明，该方法在多种无监督领域适应场景中具有出色的性能。
PDF9 months ago
MM可辨识图像压缩
本文提出了一种名为 Discernible Image Compression（DIC）的方法，旨在通过追求外观和感知一致性来生成高质量的压缩图像，并利用经过预训练的 CNN 提取原始和压缩图像的特征，同时最小化特征分布之间的差异，实验结果
PDF4 years ago
ACNet：基于注意力的网络，利用互补特征进行 RGBD 语义分割
本文提出了一种新的方法 ACNet，通过 Attention Complementary Module (ACM) 和三个并行分支的结构，ACNet 能够从不同通道提取更多高质量的特征，在 SUN-RGBD 和 NYUDv2 数据集上得到
PDF5 years ago
ECCV部分对抗域适应
本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域
PDF6 years ago
CVPR无监督域自适应的最大分类器差异
本文提出了一种无监督领域自适应的方法，利用任务特定的决策边界来解决源和目标域之间的分布问题，通过两个分类器输出的差异来检测远离源支持的目标样本，并通过生成器生成接近源支持的目标特征来最小化差异，该方法在图像分类和语义分割的几个数据集上优于其
PDF7 years ago
CVPR图像分类的类间学习
本文介绍了一种新的图像分类学习方法，称之为 Between-Class learning (BC learning)，通过两个不同类别的图像以随机的比例混合生成新的图像，并训练模型输出混合的比例，从而使模型的泛化能力得到提高。同时，提出了基
PDF7 years ago
跨数据库微表情识别的目标样本再生器学习
本文提出了一种名为目标样本再生成（TSRG）的简单而有效的方法，用于解决跨数据库微表情识别问题，并在 SMIC 和 CASME II 数据库上对其进行了实验证明，相较于最新的最先进的跨数据库情感识别方法，TSRG 取得了更为优异的结果。
PDF7 years ago
IJCAI神经风格转移的探秘
本文提出了一个新的神经风格转移的解释，即将其视为一个域自适应问题，理论上证明匹配特征图 Gram 矩阵相当于用二次多项式内核最小化最大平均偏差（MMD），实验结果表明，通过多种不同的分布对齐方法，我们可以实现理想的结果。我们认为这种新的解释
PDF7 years ago
无监督域自适应的相关性对齐
本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL)，通过对齐源域和目标域的二阶统计信息来最小化领域偏移，而不需要目标标签。相比于子空间流形方法，CORAL 原始特征分布不需要低维子
PDF8 years ago