loss functions | BriefGPT - AI 论文速递

关键词loss functions

搜索结果 - 233

基于 Transformer 的自由文本按键身份验证：架构和损失函数的比较研究
该论文研究了基于敲击行为的生物特征识别与验证方法，提出了一种基于 Transformer 的网络模型，通过自注意机制从敲击序列中提取信息特征，超越了传统的循环神经网络的性能。该研究探索了两种不同的网络架构，分别是双编码器和交叉编码器，并比较
PDF9 months ago
增强低秩矩阵补全的稀疏正则化生成框架
应用半二次优化于损失函数可以产生对应的正则化器，而这些正则化器通常不具备稀疏诱导能力。为解决这个问题，我们设计了一个能够生成具有闭式近似算子的稀疏诱导能力正则化器的框架。此外，我们使用几个常用的损失函数来明确我们的框架，并产生相应的正则化器
PDF9 months ago
多对象表示学习中物体分割机制的消融研究
多对象表示学习通过多个对象的组合来表示复杂的现实世界视觉输入。本文通过对 MONet 进行割裂研究，发现 VAE 正则化损失对分割性能没有影响，而其他损失函数有影响。基于这一结果，我们假设将注意力掩模与相应的潜在向量相匹配的图像区域的注意力
PDF9 months ago
对抗语境强化学习的核化方法
通过将属于再现核希尔伯特空间的损失函数纳入到对手性线性背景乐队的在线学习问题的研究中，我们提出了一种计算有效的算法，该算法利用一种新的对损失函数进行乐观偏差估计的方法，在对底层内核进行的各种特征值衰减假设下实现接近最佳的后悔保证。
PDF9 months ago
ADGym: 深度异常检测的设计选择
该论文介绍了 ADGym，这是一个专为深度方法中的异常检测设计元素进行全面评估和自动选择而设计的平台。通过广泛的实验，表明仅仅采用现有的先进方法并不理想，使用 ADGym 构建的模型显著超越目前最先进的技术。
PDF9 months ago
适用于顺序保持序列建模的变分连接主义时间分类
将序列模型 CTC 与变分模型相结合，导出两个可用于训练保持顺序、更具普适性的序列模型的损失函数，实现直接优化模型对数似然的变分下界。
PDF10 months ago
ICCV鲁棒的几何保持深度估计 - 使用可微分渲染
通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。
PDF10 months ago
BEA: 采用 Budding Ensemble 架构重新审视基于锚点的目标检测 DNN
本文介绍了一种新颖的减少集成架构，称为 Budding Ensemble Architecture（BEA），用于基于锚点的目标检测模型。BEA 通过改进置信度得分校准和减小不确定性误差来提高目标检测模型的准确性。BEA 在 Base-YO
PDF10 months ago
卷积神经网络注入变换器用于图像曝光校正
本文提出了一种结合了 CNN 和 Transformer 的 CNN Injected Transformer (CIT) 方法，利用窗口型 Transformer 的长程依赖建模能力来处理曝光校正问题，并通过引入一组精心设计的损失函数来改
PDF10 months ago
混合监督双搜索：利用自动学习实现无损多曝光图像融合
本文提出了一种名为 HSDS-MEF 的用于多曝光图像融合（MEF）的双搜索混合监督的方法，通过引入双重优化搜索方案来自动设计网络结构和损失函数，实现了比竞争方案更好的表现，在一般和无参考场景中，视觉信息保真度（VIF）分别提高了 10.6
PDF10 months ago
损失函数比较研究：一般和拥堵场景下的交通预测
该研究探索了受重尾分析和不平衡分类问题启发的各种损失函数，以解决交通预测中拥堵预测不准确的问题。在实际交通数据集上的大量实验表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE
PDF10 months ago
用于文本识别的自训练正则化连接主义时序分类损失：一种简单而有效的方法
提出了一种自我蒸馏方案来优化基于 CTC 的文本识别模型的损失函数，该方案通过引入 CTC 损失中的帧正则化项来强调个体监督，并利用最大后验概率来解决蒸馏过程中的一致性问题，称之为 Distillation Connectionist Te
PDFa year ago
使用 T - 批处理进行动态网络表示学习时选择损失函数的影响
表示学习方法在将离散网络结构转化为连续领域方面为机器学习提供了革命性进展，但是动态网络在时间上的演变带来了新的挑战。我们通过数学分析提出了两种新的损失函数来克服 t-batching 中训练损失函数的局限性，并在合成和真实动态网络上进行了广
PDFa year ago
协同过滤损失函数的深入理解
本文分析了现有损失函数之间的关系，揭示了先前的损失函数可以解释为对齐和均匀度函数，并基于此分析提出了一种新的损失函数 MAWU，该函数考虑了数据集的独特模式，通过缓解用户 / 物品特定的流行度偏差和调整用户和物品均匀度之间的重要性，使得使用
PDFa year ago
医学图像配准中的深度学习调查：新技术、不确定性、评估指标及未来发展
过去十年来，深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述，包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面，并探讨了这些新技术在医学影像中的实际应用和未来前景。
PDFa year ago
自监督语音表示损失函数在语音增强中的效果
语音增强中，使用自监督语音表示作为特征变换的损失函数的关系与效果进行了研究，发现与嘈杂音频语言匹配的模型具有更好的性能，但是这可能导致这些增强系统仅适用于特定语言而无法泛化到其他语言，而自监督表示的训练语言似乎对性能影响不大，而特定语言的训
PDFa year ago
标签噪声：纠正一次修正
训练神经网络分类器在带有标签噪声的数据集上存在过拟合的风险，为了解决这个问题，研究人员探索了更加稳健的替代损失函数，然而，许多这些替代方法都是启发式的，仍然容易受到过拟合或欠拟合的影响。在本研究中，我们提出了一种更直接的方法来应对标签噪声引
PDFa year ago
重新思考小目标检测在少样本环境中的交并比
在少样本目标检测领域中，使用 SIoU 作为评估标准可以构建更加用户导向的模型，在小物体检测方面表现优秀，并在 DOTA 和 DIOR 数据集上实现了新的少样本目标检测的最优结果。
PDFa year ago
数据集精简遇见可证明的子集选择
本文提出了一种在数据集精馏中初始化样品集的可证明的基于采样的方法，并将数据子集选择的思想与数据集精馏相结合，通过相对贡献的实例的概念优化性能。
PDFa year ago
有界损失在线学习游戏的组合特征化
我们研究了关于任意但有界损失函数的假设类的在线可学习性。我们给出了一种新的与规模敏感的组合维数相关的步进最小二维，并证明它对在线可学习性提供了紧密的定量刻画。作为应用，我们首次对两种自然学习设置进行了在线可学习性的定量刻画：向量值回归和多标
PDFa year ago