- ICML神经网络集成的特征空间粒子推断
该研究提出了一种优化粒子在特征空间的方法以提高深度神经网络的 ensemble 模型中的预测鲁棒性。经过对实际数据集的广泛评估,发现该模型在准确性、校准性和鲁棒性等各个评估指标上均明显优于 gold-standard Deep Ensemb - FSOINet:基于特征空间优化的图像压缩感知网络
本文提出了一种基于特征空间的优化启发式网络(FSOINet),将像素空间中的近端梯度下降算法逐步映射到特征空间中进行信息流处理。该网络通过端到端学习的方式,同时学习采样矩阵和其他网络参数,实现了比现有领先方法更高的重构质量。
- ICCV探索通道间相互关系以保留多样性的知识蒸馏
本文提出了一种新颖的基于交互通道相关性的知识蒸馏方法,Inter-Channel Correlation for Knowledge Distillation (ICKD),旨在解决先前方法忽略了保留特征的通道间相关性的问题。在 Image - 深度学习函数从图像中学习特征空间中的决策边界和凸包
通过研究深度神经网络在图像分类和学习方面的成功,我们开发了方法和公式来研究模型中的特征空间,以此去理解决策边界在特征空间和像素空间中的几何构成和所带来的影响,进一步探讨其对对抗性漏洞、图像变形、外推,模糊分类以及数学上的理解等方面的启示。
- AAAI多源交叉领域分类中基于领域特定分布和分类器的对齐
本文提出了一个两阶段的框架,用于多源无监督域适应问题,该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐,以及利用领域特定的决策边界对分类器的输出进行对齐,以解决域内不变表示对于所有域的提 - 基于联想和区分的小样本物体检测
该研究提出了一种基于联想和区分的两步式微调框架(FADI),以构建每种新类别的区分特征空间,并在 Pascal VOC 和 MS-COCO 数据集上进行广泛实验,取得了显著的成果。
- 利用记忆和对比学习进行无监督异常检测
研究了利用特征空间中异常值与正常值的距离进行异常检测,提出了一种名为 MCOD 的框架,结合记忆模块和对比学习模块。实验证明,该方法在四个基准数据集上表现良好,优于其他九种最先进的方法。
- 基于统计对齐的特征空间目标攻击
通过引入高阶统计量,我们设计了两种新的算法来实现统计导向的对抗样本生成,相比于当前主流的方法,在中等难度下能够取得更好的攻击性能。
- CVPRFVC:基于特征空间的深度视频压缩新框架
本文介绍了一种在特征空间内实现运动估计、压缩、补偿和残差压缩的视频编码网络,通过多帧特征融合模块,并利用非局部注意力机制融合多帧参考特征提高帧重建效果,该网络在四个基准数据集上达到了最先进的性能。
- CVPR用感知损失实现鲁棒的无监督单应矩阵估计
本研究尝试通过使用双向隐式 Homography 估计(biHomE)损失,并在合成的 COCO 数据集上进行测试,证明该方法在光照变化方面的鲁棒性相对于现有方法更强,并且可以实现无监督学习的 Homography 估计。
- HumanGPS: 密集人体对应关键点的测地保持特征
本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系,并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开,实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐,实验结果表明, - CVPR无遗漏:全视频动作识别
通过对视频帧进行时间聚类,提出了一种全视频行为识别方法,相较于现有的基于帧采样的方法效果更好,同时由于采用了时空局部聚类和快速的哈明距离计算方法使其训练高效。
- ECCV深度度量学习的球面特征变换
本文通过提出新的球形特征变换方法,放宽了之前方法依赖于简单的翻译以变换特征的限制,适应了新的深度度量学习场景,从而提高数据的多样性和性能。
- 基于骨架的非监督动作识别和聚类
我们提出了一种新颖的无监督骨架动作识别系统,该系统基于编码器 - 解码器递归神经网络,可以无需提供任何标签或摄像头深度输入,并可在各维度的身体关键点(2D 或 3D)和附加提示描述移动的情况下操作,并将其与最新的无监督骨架方法进行比较。方法 - 在特征空间中使用 Softplus 损失进行密度比估计的子采样生成对抗网络
本文提出了一种基于 Softplus loss 的采样式密度比率估计方法,结合其发展了三种不依赖于判别器优化的密度比率子采样方法 (DRE-F-SP+RS、DRE-F-SP+MH 和 DRE-F-SP+SIR),证明在多种 GANs 和多个 - MM无监督人员重新识别的自适应探索
本文提出了自适应探索 (AE) 方法,以解决针对个人再辨识(re-ID)的领域偏见问题。该方法利用特征记忆的非参数分类器,通过最大化所有人物图像之间的距离和最小化相似人物图像之间的距离,在目标领域对 re-ID 模型进行归纳。
- CVPR利用多通道注意力子网络解释特征空间
本文提出了一种基于多通道注意力机制的卷积神经网络结构,可以为每个特征生成不同的注意力掩蔽,并应用于多属性识别任务中,其实验结果表明该方法不仅高度透明可解释,而且准确把握数据的属性。
- KDD多实例回归中的集合学习应用于遥感
本文提出了一种新的方法来处理多实例回归问题,使用基于注意力机制的无序操作来训练模型,并测试证明在真实数据集上优于以往方法,同时探讨特征空间维度数量对结果的影响。
- 人物再识别的光谱特征转换
本文提出并应用谱聚类技术到卷积神经网络中,形成了一种新的模块 Spectral Feature Transformation,以此提升基于深度学习的 person re-identification 的性能,实验证明该方法在多个测试数据集上 - 利用酉群卷积构建高效的深度神经网络
本研究提出了一种名为 unitary group convolutions(UGConvs)的 CNN 构建块,它将群卷积和特征空间中的酉变换组合起来,以学习比单独使用群卷积更丰富的表示。我们通过实验表明,密集的酉变换可以提高深度神经网络精