- 通过去噪分数匹配实现多尺度对数密度估计的视频异常检测
我们提出了一种新颖的视频异常检测方法:将从视频中提取的特征向量视为固定分布的随机变量的实现,并用神经网络对该分布进行建模,以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器,该方法通过向 - CVPR深度神经网络微调上的自适应随机特征正则化
使用自适应随机特征正则化 (AdaRand) 方法,无需辅助源信息和重大计算成本,通过改变特征向量的分布来提高训练模型的下游分类任务性能。
- 关于 MPNN 中的特征向量维度性
通过引入随机性来优化 MPNN (WL) isomorphism 测试的结果,本研究证实,对于任何非多项式解析 (如 sigmoid) 的激活函数,只需特征向量的维度 d=1,独立于图的大小,即可保证 MPNN 等价于 WL 测试。
- 一种改进的变分模态分解算法对语音情感识别性能的影响
提出了一种名为 VGG-optiVMD 的方法,通过对情感识别中的语音信号进行分解和特征提取,结合信号采样率和分解参数的精细调整,实现了在 Berlin EMO-DB 数据库上预测七种情绪的最新技术,达到了 96.09% 的准确率。
- 无约束特征模型下的神经塌陷问题
本研究通过在不受约束的特征模型背景下,研究了交叉熵损失函数下不平衡数据的神经崩溃现象,发现特征向量在同一类中收敛为相同的平均向量,并确定了少数类崩溃的临界阈值,并且结果表明,数据大小不平衡的影响随着样本大小的增长而减小。实验结果验证了理论分 - 重复观测用于分类
本研究主要探讨了非参数分类问题中,使用重复观测的情况,并提出了一些简单的分类规则,其条件错误概率在重复观测次数趋近于无穷时具有指数收敛速率。对于稳健检测、原型分类、线性变换、线性分类和尺度缩放等特定模型进行了分析。
- 简单高质量带 L2 归一化的 OOD 检测
本文针对 ResNet 结构进行 L2 正则化改进,在测试时移除 L2 正则化后,特征向量的 L2 范数成为了网络不确定性的良好指标。
- 基于局部区域直方图的珠宝首饰内容检索
本文提出一种基于内容的珠宝饰品检索方法,采用 HSV 颜色空间中的局部区域直方图。使用五个局部区域,我们的新颖珠宝分类模块从查询图像中提取特定的特征向量,然后将该模块应用于珠宝饰品数据库以提取特征向量。最后,通过匹配数据库和查询特征向量之间 - 相同还是不同?用差异向量进行作者身份分析
本研究探讨了作者身份识别任务中文档向量表示的基本转变对学习效果的影响,发现采用表示为无序文档对的差分向量的方法比传统方法优越,能有效提高同一作者确认的准确率。
- 内存负载的精确开放式识别
本文介绍 Acorn,一种准确的开放集识别方法,它提取两种类型的特征向量以捕获内存访问的顺序和空间局部性模式,并用于精确地分类子序列,以达到高于现有方法的未知类检测准确度高达 37%的效果。
- CVPR少样本图像分类的匹配特征集
本文提出了一种称为 SetFeat 的方法,将现有特征提取器改为从图像中提取一组特征向量,进而实现更好地将基类的富表示性转移到 few-shot 类中。
- MM神经网络权重是否考虑类中心?
本文旨在解决神经网络最后一个隐藏层的特征空间假设问题,提出并分析了一种满足此假设的对称性,并且验证了其在训练稳定性过程中的有效性。
- 从原始点云重建的 3D 线框图
PC2WF 是第一个可端到端训练的深度网络架构,用于将三维点云转换成线框模型;该网络把从物体表面抽取的无序三维点作为输入,输出该物体的线框,即由线段连接的稀疏角点。
- EMNLP不对称领域文本匹配的 Wasserstein 距离正则化序列表示
本文提出了一种名为 WD-Match 的新型文本匹配方法,该方法使用 Wasserstein 距离作为其正则化器来解决不对称领域中特征向量不可区分的问题,并在四个公开基准测试上实验得到了优异的效果。
- FeatureNMS: 通过学习特征嵌入来进行非极大值抑制
本文提出一种名为 FeatureNMS 的算法以解决对象检测中传统 NMS 算法在物体重叠区域存在瑕疵的问题,该算法能够通过特征向量的差异除了集合交并比之外,更充分地编码更多的信息,从而优于传统 NMS 和其改进方法,并达到了最先进的性能。
- 通过分层模块化表示解释分层神经网络
提出了一种获得分层神经网络的分层模块化表示的方法,该方法使用层次聚类方法将训练网络应用于 Feature Vectors,以便根据它们与输入和输出维度值的相关性定义隐藏层单元之间的树状关系。
- 利用循环神经网络和手势控制器进行手势和旗语识别
本文基于一种使用手部骨骼的角度作为特征的 RNN 方法,旨在解决手势识别的问题,并在 ASL 数据集和 SHREC 数据集上测试和证明了该方法的有效性和优越性。
- 零样本核学习
本研究在零样本学习中使用核方法来学习特征和属性空间之间的非线性映射,提出了一种简单的学习目标,并在多个零样本学习数据集和基准测试中取得了最优结果。
- Onto2Vec: 生物实体及其基于本体论的注释的联合向量表示
提出了 Onto2Vec 方法,它基于生物医学本体的注释来学习生物实体的特征向量。我们的方法可应用于生物信息学研究问题,如基于相似性的蛋白质相互作用预测,使用监督学习分类交互类型或聚类。
- 使用双向 LSTM 特征表示进行简单准确的依存句法分析
使用双向 LSTM 神经网络构建特征向量,在依存句法分析中实现最新的结果。