model generalization | BriefGPT

关键词model generalization

搜索结果 - 68

面对未知环境的常见物体错误：ET tu, CLIP?
使用预训练的 CLIP 编码器通过辅助目标检测目标，在 Episodic Transformer 架构中整合 CLIP 可以提高 ALFRED 任务的性能，并且尤其有助于利用物体描述、检测小物体和解释罕见词汇。
PDF7 days ago
利用乘法权重扰动提高对损毁的强敏感性
深度神经网络在干净图像上表现出色，但在损坏图像上表现不佳。本文提出了一种改善深度神经网络对各种损坏的鲁棒性且不损害干净图像准确性的一种方法，该方法通过引入输入扰动，模拟在权重空间中的乘法扰动，并通过数据增强训练深度神经网络。实验证明该方法能
PDF8 days ago
CVPR在人脸反欺诈中提升跨领域泛化性能：洞见、设计与度量
本文介绍了一种增强数据域广义化中反欺骗性能的新视角，并提出了一种在视频层面上以度量为基础的方法，用于优化模型的稳定性和泛化能力。研究结果显示，简单地扩大模型的骨干网络并不能本质上改善模型的不稳定性，因此我们从贝叶斯的角度提出了一种集成骨干网
PDF14 days ago
关于分类器在各种测试条件下的排名，Softmax 概率告诉我们什么？
本研究旨在发展一种能准确评估各种分类器在来自未标记数据的离域分布上进行测试时的性能排名的度量方法。通过展示常规的不确定性度量方法，特别是最大 Softmax 预测概率，在某些离域环境下预测模型泛化的内在效用，我们首先介绍了一种名为 Soft
PDF18 days ago
无偏锐度感知最小化
在这项工作中，我们探索了锐度感知极小化（SAM）和模型不可知元学习（MAML）之间的联系，特别是在增强模型泛化方面。我们引入了一种新方法 Agnostic-SAM，它结合了 SAM 和 MAML 的原则。Agnostic-SAM 通过优化模
PDF21 days ago
基于记忆引导网络的不确定性特征增强方法在少样本语义分割中的应用
我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的 PASCAL-5i
PDFa month ago
ENTIRe-ID：一份广泛而多元的人员再辨识数据集
这篇论文介绍了 ENTIRe-ID 数据集，该数据集包含了超过 4.45 百万张图像，来自 37 个不同的相机，涵盖了各种环境。该数据集独特地设计用于解决领域变异和模型泛化的挑战，是人像重新识别现有数据集的不足之处。ENTIRe-ID 数据
PDFa month ago
CVPR利用 CLIP 重新思考少样本分割的先验信息生成
通过将视觉与文本对齐能力作为先验表示，本研究提出了两种训练无关的先验信息生成策略，以更可靠的指导并增强模型的泛化能力。在 PASCAL-5i 和 COCO-20i 数据集上的实验证明我们的方法在少样本分割任务中取得了明显的改进，并达到了新的
PDF2 months ago
数据增强中的泛化鸿沟：来自光照的洞见
通过模拟分布退化，探究数据增强对模型性能的提升作用，研究发现数据增强方法显著改善了模型的性能，但仍存在明显的泛化差距，强调训练集中的特征多样性对于增强模型泛化能力的关键作用。
PDF3 months ago
通过 C-Flat 增强持续学习
通过连续学习方法中的权重损失景观锐度最小化，本研究提出了一种适用于连续学习任务的 C-Flat 方法，可以在几乎所有情况下提高模型性能。
PDF3 months ago
图像数据增强中的类别特定偏差数据驱动方法
数据增强可以增强计算机视觉模型的泛化能力，但可能引入偏差，不均匀地影响类别准确性。我们的研究扩展了这一调查，通过随机裁剪考察了数据增强在不同数据集上的类别特定偏差，包括那些与 ImageNet 不同的数据集。我们使用 ResNet50、Ef
PDF4 months ago
关于分类中的迁移：类别子集能否很好地泛化？
分类、迁移学习、部分有序集、类别的子集和模型泛化是本研究的关键词。研究旨在建立类别子集之间可迁移性的理论框架，并探索测试所有类别时最佳性能的预测能力。研究还关注迁移学习中的少样本学习，以提供对迁移机制和模型泛化的更好理解。
PDF4 months ago
超越辍学：通向可推广图像超分辨率的引人注目解决方案
利用深度学习在单图像超分辨率（SISR）方面取得了显著进展，尽管大部分现有工作假设简单且固定的降级模型，但盲目超分辨率的研究旨在改进对未知降级能力的建模，本文提出了一种更合适的训练策略利用 Dropout 来提高盲目超分辨率的模型泛化能力，
PDF4 months ago
CFDNet：一种具有对比特征蒸馏的可概化的雾视觉立体匹配网络
在模糊场景下，立体匹配因散射效应导致能见度下降和密集对应匹配特征较不明显，而简单地去除雾可能无助于深度估计，因为雾本身可以提供重要的深度线索。本文介绍了一种基于对比特征蒸馏的框架，该策略结合了从合并的清晰 - 雾特征中蒸馏特征和对比学习，确
PDF4 months ago
通过方差估计加速锐度感知最小化的有效梯度样本大小
通过采用自适应采样方法基于 PSF 变化的原则，本文提出了一种简单且高效的采样方法，以显著加速模型优化过程中的计算速度，并在广泛的网络架构上实现了与 SAM 相当的最新准确度。
PDF4 months ago
使用稳定表示和经验重演的连续无监督领域自适应
我们提出了一种算法来解决持续学习（CL）场景中的无监督域适应（UDA）问题，主要目标是在连续到达新领域时通过更新基本模型来维持模型概括性，而后续任务中只能访问未标记的数据。我们的解决方案是通过稳定学习的内部分布来提高模型在新领域上的概括性，
PDF5 months ago
可学习的提示作为伪填充：重新评估传统电子病历数据填充在下游临床预测中的必要性
基于电子健康记录（EHR）分析患者的健康状况是医学信息学中的一个基础研究问题。现有的深度学习训练协议需要使用统计信息或填补模型来重构缺失值，但是这限制了模型性能。本文引入了 Learnable Prompt as Pseudo Imputa
PDF5 months ago
通过细粒度模型参数扰动进行机器反学习
机器遗忘方法针对用户隐私保护目标有重要作用，但会带来大量计算成本。我们提出了细粒度 Top-K 和 Random-k 参数扰动的不精确机器遗忘策略，以在保持可计算性开销的同时满足隐私需求。我们还引入了评估机器遗忘效果和模型泛化能力的新指标
PDF6 months ago
基于内部表示的在线连续域适应语义图像分割
本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我
PDF6 months ago
基于交叉领域 WiFi CSI 的人体活动识别的数据增强技术
基于 WiFi 信道状态信息（CSI）的人类活动识别实现了室内的非接触和视觉隐私保护感知。然而，由于环境条件和传感硬件的变化导致模型推广能力较差，这是该领域一个众所周知的问题。为了解决这个问题，在本研究中将常用于基于图像学习的数据增强技术应
PDF6 months ago