- PRA-Net: 面向 3D 点云分析的点关系感知网络
提出了一种名为 PRA-Net 的新型架构,包含 Intra-region Structure Learning(ISL)模块和 Inter-region Relation Learning(IRL)模块,用于强化点云分析的特征表示,既可以 - 具有领域泛化的联邦学习
提出了 FedADG 方法,利用联邦对抗学习来实现域泛化,通过将每个分布与参考分布匹配,逐个类别进行对齐来细粒度地对齐分布,学习到的特征表示可以很好地泛化到未见过的域。
- ICLR无监督连续学习的表征连续性
该研究提出了一种基于无监督学习方法的连续学习技术,可以在不需要人工标注的数据的情况下设法学习连续任务的特征表示,并通过使用 LUMP 技术来缓解灾难性遗忘问题。
- 用于少样本图像分类的解耦特征表示
本篇论文提出了一种名为 DFR 的新型解缩特征表示框架,它可以适应性地解耦由分类分支建模的有区别性特征和变差分支的类不相关的成分,从而提升了各种少样本任务上深度学习方法的性能,这是通过将其分类分支嵌入 DFR 实现的并在 mini-Imag - TF-Blender:视频目标检测的时序特征融合器
TF-Blender 通过建模低级别的时间关系来增强特征表示,从而有效地解决了视频异议检测的挑战。
- CVPR自我推进的原型细化算法用于少样本类别增量学习
提出了一种新的增量原型学习方案,其中包括自适应特征表示和自我推进的原型细化机制,通过动态关系投影模块来计算共享嵌入空间中的关系矩阵并将其作为引导原型更新的因素,经过三个基准数据集的广泛实验,表现优于现有的增量学习方法。
- 通过层次特征融合和迭代混合数据库训练进行野外图片的盲质量评估
本文提出了针对实际应用中广泛存在的自然图像的全新盲图像质量评估模型,该模型通过提出更好的质量感知特征表示学习方式和解决缺乏多样性的训练样本问题来解决此领域中的两个关键问题。实验结果表明,所提出的模型在六个实验数据库上表现出色,同时在跨数据库 - AAAI探究三维点云语义分割中的不可区分点
本研究提出一种名为 IAF-Net 的网络,利用分层语义特征自适应选择难以区分的点并加强精细特征,以解决大规模 3D 点云语义分割中的难点,并引入多阶段损失和新型评价指标 IPBM 来改善特征表示和进行分割性能分析。结果表明,IAF-Net - 自监督一致性训练用于高效组织病理图像分析
利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务,以及新型的师生半监督一致性模式,使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习,并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的 - 基于元学习的交叉领域验证的判别式对抗领域泛化
本文提出基于元学习的 Discriminative Adversarial Domain Generalization(DADG)框架来改善机器学习模型的泛化能力,包括学习一般化的特征表示和分类器,在三个基准数据集的对比中,DADG 始终优 - 预分配固定分类器的类增量学习
本文提出了一种基于固定分类器和迭代记忆的新方法来解决神经网络在增量学习中遗忘以前知识和记忆的问题,并进行了公开数据集实验来验证其有效性和新颖性的内部特征表示。
- AAAI协作式小组学习
在这篇论文中,我们提出了一种名为协作组学习的有效框架,通过随机地路由学习表示来减少学生同质化并提高模型泛化能力,并受到分组学习机制的启发,鼓励学生作为合作小组学习和交流不同的知识部分。
- CVPR从图像和扰动的相互影响理解对抗性样本
通过利用 DNN logits 向量,并基于 Pearson 相关系数(PCC)分析两个独立输入的相互影响,我们提出了一种新的对抗样本分析方法。我们的结果表明,通用扰动包含显著特征,而图像对它们则表现得像噪声。利用代理数据集实现的我们发现的 - 时间差分和 Q 学习能学习表征吗?一种平均场理论
利用双层神经网络,采用均场视角证明了时序差分学习和 Q-learning 以次线性的速度全局最小化普通最小二乘 (平方投影) 贝尔曼误差,并存在一种最优解;同时,相应的特征表示收敛于最优解。
- CVPRAssociate-3Ddet: 基于感知到概念的三维点云物体检测关联
本文提出了一种新颖的基于领域自适应的方法,以增强点云数据的鲁棒性,成功地解决了 3D 目标检测中出现的挑战性任务并达到了最先进水平。
- 利用联合注意力网络提高视网膜变性光学相干断层扫描图像的鲁棒性能
本研究提出一种通过疾病特定特征表征作为新颖架构,在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。
- DeFeat-Net: 并行无监督表示学习的通用单目深度
我们提出了 DeFeat-Net(深度和特征网络),一种同时学习跨领域密集特征表示和基于扭曲特征一致性的稳健深度估计框架的方法。通过同时学习特征、深度和运动,我们的技术能够推广到具有挑战性的领域,并能够在更具挑战性的序列中优于当前最先进技术 - 深度激活显著区域用于实例搜索
该论文提出了一种简单而有效的实例级特征表示法,解决了类非特定实例定位和独特特征表示的问题,并通过平均池化检测到的实例区域上的特征图来产生独特特征表示,进而提高了实例搜索和基于内容的图像搜索的性能。
- CVPR不要以物品所处环境论其价值:学习克服语境偏见
通过学习两个特征子空间,分别表示没有上下文环境的类别和同时表示类别和上下文环境的联合特征子空间,以减少上下文偏差,提高分类准确度,适用于目标和属性两项任务。
- ICLR互信均授:基于伪标签精炼的无监督领域自适应人员再识别
该研究提出一种无监督的 Mutual Mean-Teaching (MMT) 框架,通过软标签精炼与三元组损失优化联合训练,从而在 Person Re-Identification 中实现了更好的特征表示与优秀的 unsupervised