- FDLite: 单阶段轻量级人脸检测网络
本文提出了一种定制的轻量级背骨网络 (BLite) 和一种轻量级人脸检测器 (FDLite),采用常用的损失函数和学习策略进行训练,并在 WIDER FACE 验证数据集的不同子集上分别达到了 92.3%、89.8% 和 82.2% 的平均 - 最优概率测度分解的 Wasserstein 梯度流
我们研究无限维优化问题,即查找将概率测度分解为 K 个概率子测度以最小化受聚类和用户分组应用启发的特定损失函数。我们分析了最优子测度支撑集的结构,并介绍了基于 Wasserstein 梯度流的算法,证明了它们的收敛性。数值结果说明了我们算法 - 多目标数据驱动决策流程的差异化
基于多目标决策的方法在解决实际中的数据驱动优化问题方面表现出色。
- 目标检测器的校准:陷阱、评估与基准
使用物体探测器需要进行校准,本研究针对最近的评估框架、评估指标和校准方法存在的问题进行了分析,并提出了一种基于准确度和校准性能同时评估物体探测器的原则性评估框架,以及为物体检测任务量身定制的高效且易于使用的校准方法。实验证明,相较于最近的训 - GIFT:在接近零成本的缩减数据集中挖掘标签的全部潜力
近期关于数据集蒸馏的研究表明,采用预训练教师模型生成的软标签具有显著优势。本文从一个新的角度强调标签的充分利用。我们首先对用于数据集蒸馏的软标签利用的各种损失函数进行了全面比较,发现在合成数据集上训练的模型对于损失函数的选择具有很高的敏感性 - ICML类别不平衡节点分类的自动损失函数搜索
我们引入了一个高性能、灵活且通用的自动损失函数搜索框架来解决节点分类中的不平衡问题。在 15 种图神经网络和数据集组合中,我们的框架相比最先进方法在性能上有显著改进;此外,我们观察到图结构数据中的同质性对所提框架的可迁移性有着显著贡献。
- ACL探索文本分类中的序数性:显式和隐式技术的比较研究
自然语言处理中的序数分类(OC)是一个广泛遇到的挑战,它在各个领域,如情感分析、评级预测等中都有应用。以往的方法主要集中在修改现有或创建新的损失函数,明确考虑了标签的序数性质。然而,随着预训练语言模型的出现,通过标签的隐含语义来解决序数性变 - FPDIoU Loss: 旋转目标检测中高效边界框回归的损失函数
提出了一种基于点距离的任意形状比较的新型指标,以提高旋转对象检测中边界框回归的效率和准确性,并提出了一种基于四点距离的准确边界框回归损失函数 FPDIoU,通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有 - 求解带有神经网络的偏微分方程过程中的损失跃迁
通过研究不同损失函数对神经网络解决偏微分方程的训练的影响,我们发现从数据损失到模型损失切换时会出现稳定的损失跃变现象, 进一步实验证明这一现象源于神经网络在不同损失函数下的频率偏好,这为研究神经网络在解决偏微分方程时的内在机制提供了有价值的 - 序数分类的一致风险控制
我们扩展了标准的符合预测方法,开发了几种符合风险控制方法,并应用于不同的学习问题。本文中,我们致力于控制序列分类任务中的符合风险,该任务在许多实际问题中具有广泛应用。为此,我们首先在符合风险控制框架中对序列分类任务进行了规范,并提供了理论风 - Hyp-OC:用于人脸反欺骗的双曲超半监督分类
我们提出了一种从单类的角度重新构建面部反欺骗任务,并提出了一种新的双曲线单类分类框架。通过在双曲线空间中运行的两个新的损失函数以及欧几里德特征剪切和梯度剪切,我们的方法在五个基准数据集上显著优于最先进的技术,实现了更好的欺骗检测性能。
- 针对特定图像增强技术演化的损失函数
通过进行演化搜索找到了一种名为逆贝塞尔对数损失的单一损失函数,它在多数实验中表现优于交叉熵。
- 多视图立体重建的自适应学习
本文研究了深度学习在多视图立体视觉任务中的优秀性能,并通过分析现有的损失函数,提出了一种新的自适应 Wasserstein 损失函数以及一个简单而有效的偏移模块,通过在不同基准测试中的广泛实验证明,该方法在自适应 Wasserstein 损 - ACL重新思考事实验证的损失函数
在这篇文章中,我们探索了用于 FEVER 共享任务中事实验证的损失函数。实验结果表明,我们提出的目标函数优于标准的交叉熵,并且当这些目标函数与简单的类别加权结合时,性能进一步提高。
- CVPR双重姿态不变嵌入:为识别和检索学习类别和对象特定的区分性表示
提出一种基于注意力机制的双编码器架构,通过特定设计的损失函数,在两个不同的嵌入空间中同时优化类别嵌入和对象级别嵌入,用于姿态不变的物体识别和检索。在三个具有挑战性的多视图数据集上验证了方法的优越性。
- 显著与伪装目标检测及其扩展的空间相干性损失
通用物体检测是一项与类别无关的任务,它依赖于对象性的准确建模。我们提出了一种新的损失函数,即空间一致性损失(SCLoss),它利用相邻像素之间的相互响应来抑制或强调像素的单一响应,通过检测和强调边界逐渐学习困难区域。通过全面的实验证明,使用 - 在 CLIP 嵌入空间中使用基于语言的丢失函数进行红外和可见光图像融合
本文提出了一种基于自然语言表达目标、利用语言表达优势以提高图像融合性能的语言驱动融合模型。通过将相关文本编码为多模态嵌入空间,建立嵌入向量之间的关系表示融合目标和输入图像模态,并通过监督训练导出一种基于语言驱动的损失函数,使实际红外 - 可 - Iris-SAM:使用基础模型的虹膜分割
通过在眼球图像上利用不同的损失函数进行细调,我们开发了一个基于像素级的虹膜分割模型,其基础模型为 Segment Anything Model (SAM),该模型在分割任意对象方面已取得成功。在细调过程中,Focal Loss 的重要性得到 - 函数对齐回归:一种从数据中显式学习函数导数的方法
通过函数导数的方法,我们提出了 FAR(函数对齐回归)作为一种更好更高效的解决方案,以适应底层真实函数,并在 2 个合成数据集和 6 个基准数据集的 8 个广泛真实世界任务中,与其他 8 个竞争基线进行实证展示。
- 通过训练一系列损失函数在类别不平衡数据上优化 ROC 曲线
通过使用一系列的损失函数进行训练,而不是单一的损失函数,我们提出了 Loss Conditional Training (LCT) 方法来解决高度不平衡的分类问题,实验结果表明该方法提高了模型性能并对超参数选择更具鲁棒性。