- 具有可证明保证的非线性多目标强化学习
RA-E3 是一个算法,能够解决单目标或多目标的马尔可夫决策过程中的奖励积累函数期望值最大化问题,并且可以用于多目标强化学习中的公平感知、风险感知以及以非线性 Von Neumann-Morgenstern 效用函数进行的单目标强化学习。该 - 从 2D 关节点到 3D 人体网格的 3D 旋转和抬升分解
本文提出了一种新方法,即将 3D 关节旋转分解为骨向量和骨扭矢量,然后使用非线性优化方法来拟合形状参数和骨向量,设计了一种 2D-to-3D lifting 网络来估计骨扭矢量和 3D 关节位置,从而提高了 3D 人体网格恢复的性能。
- 大规模机器学习问题的随机比率跟踪算法
本文提出了一种适应性步长选择的算法,基于传统的非线性优化技术,通过分析结果表明,该算法可生成与手动调节最佳步长相当的步长,并产生期望收敛于解的固定邻域的迭代。
- 通过迭代非线性优化和动画进行语义运动校正
提出了一种用于为扑救射门的门将创建 2D 动画并使用迭代非线性优化方案纠正该动作的端到端方法,以便于保持动画的语义相似性和实际人类行为相关性。
- 高精度在线无标志立体外参校准
本文提出了一种实时的无标定板双目相机标定方法,该方法通过基于流形上的新型非线性优化将几何误差最小化,不需要时间特征对应性,对于动态场景的不变性和灯光变化具有鲁棒性和较快的运行速度,并通过在线实验展示了与离线基于标记的标定方法相当的精度。
- 使用非线性优化技术进行自动 ISP 图像质量调整
本文提出一种使用非线性优化和自动生成算法进行自动 IQ 调整的方法,能够在短短几分钟内产生高质量的图像,并且适用于任何算法的处理模块。
- 实时视觉定位与 SLAM 的自动曝光视频在线光度校准
本文提出了一种在线光度标定方法,该方法使用鲁棒的 KLT 特征跟踪获得场景点对应关系,用于非线性优化框架,从而恢复连续帧的曝光时间、摄像机响应函数和传感器污损因子,实现对任意视频序列的可靠标定,并验证了其可以提高基于像素强度完全在线标定光度 - 可验证的最优低秩因子分析
本文提出了一种基于半定规划的非线性的秩受限因子分析问题的最优化表述方法,并使用目前最先进的非线性优化技术提高了计算可扩展性,同时展示了在真实数据集上提高的精度。
- 将三维可塑模型拟合给边缘:硬、软一一对应的比较
利用几何特征实现自动拟合三维可变形模型对单个头像图像的任意姿态和光照,通过计算模型顶点和边缘像素之间的硬对应关系,优于使用软对应关系和非线性优化的旧方法
- 加速用于分类和检测的非常深的卷积网络
本文旨在加速卷积神经网络(CNNs)的测试时间计算,特别是对计算机视觉领域产生重大影响的非常深的 CNNs。通过开发一种不需要随机梯度下降(SGD)的有效解决方案,解决产生的非线性优化问题,我们提出了一种新的非线性方法,在对多个层进行逼近时 - BayesOpt:用于非线性优化、实验设计和贝叶斯概率的贝叶斯优化库
BayesOpt 是一个用于解决非线性优化、随机万字或序列实验设计问题的先进贝叶斯优化方法库。该库十分高效,具备通用的 C、C++、Python、Matlab 和 Octave 接口。
- 计算机视觉中求解非线性最小二乘问题的监督下降方法
该论文提出了一种通用下降图的算法 ——SDM,通过学习下降方向和缩放因子来最小化 NLS 问题,在面部特征检测等计算机视觉问题中达到了最先进的性能。