- MM联邦量化神经网络中能量、精度和准确性的平衡
本文提出了一个基于固定精度的 QNN 的量化 FL 框架，从而在保证收敛的前提下，优化了精度与能耗之间的平衡，实现了在无线网络上的 FL，且相比标准 FL 算法，能耗降低了最多 53%
- CVPRPano3D：360 度深度估计的综合基准和坚实基础
Pano3D 是一个新的基准测试，在全景照片深度估计技术中评估性能，主要目标是精度和准确性，次要目标是边界保留和平滑性。利用不同的测试数据集，Pano3D 不仅可以评估同一数据集内的性能，还可以评估推广到不可见数据的能力。我们在此基础上进行 - ICML非可分解目标的隐式率受限优化
本研究考虑一种常见的受约束优化问题，即在固定阈值形式的不可分解评估指标和约束其他感兴趣的指标的情况下，对机器学习问题进行优化。通过隐函数定理，我们提出了一种表达阈值参数为模型参数函数的速率约束优化方法，并展示了如何使用标准梯度方法来解决所得 - ICML混合精度和自适应分辨率的可微分动态量化
我们提出了一种完全可微的方法，名为 differentiable dynamic quantization (DDQ)，可用于学习模型量化中的所有超参数，通过实验表明 DDQ 在像 MobileNet 这样的轻量架构上表现最好，并且 DDQ - VS-Quant：基于向量缩放的低精度神经网络推断量化
本研究提出每个张量维度内小向量的单独比例因子缩放技术以降低量化相关的精度损失，有效提高了卷积神经网络的推理准确性并在深度学习加速器硬件设计上实现了硬件效率的提高和能源消耗的降低。
- EMNLP一种新型的两阶段框架：从新闻文章中提取带有观点的句子
本文提出了一种新的两阶段框架，使用朴素贝叶斯分类器来提取新闻文章中的观点句，第一阶段使用本地特征对每个句子进行打分，第二阶段使用 HITS schema 来利用文章的全局结构和句子之间的关系。我们证明使用 HITS 显著提高了精度，并且该方 - KDD面向空间变异性感知的深度神经网络 (SVANN)：结果概要
本文提出了一种空间可变性意识深度神经网络方法 (SVANN)，该方法针对不同的地理区域构建了不同的深度神经网络模型，在通过两个地理区域的航拍图像对城市花园进行映射任务时，SVANN 表现出更好的准确性、召回率和 F1 分数，相对空间整体训练 - KDD序列异常检测器的统计评估
本研究提出了基于时间容限的点异常检测的精度和召回率的概念并进行统计模拟研究，结果表明当计算时间容限后，精度和召回率可能会高估检测性能。我们展示了如何获得这两个度量的空分布来评估结果的统计显着性。
- ECCV无 Anchor，两阶段物体检测的角点提案网络
该论文提出了一种新的基于角点建议网络（CPN）的锚点自由，两阶段目标检测框架，首先通过查找潜在角点关键点组合提取了许多物体建议，然后通过一个独立的分类阶段为每个建议分配一个类别标签，从而提高了召回率和精度。在 MS-COCO 数据集上，CP - SIGIR科学文献中新兴概念的高精度提取
本文提出了一种基于无监督方法的科学文献概念提取方法，通过挖掘后续论文中引用某篇文章的数量，提高了从计算机科学论文语料库中提取概念的精确度，Precision@1000 为 99％。
- 具有局部计数图的自适应混合回归网络用于人群计数
本文研究了人群计数的问题，并提出了新的方法，通过引入局部计数映射（LCM）等新的训练目标，以及采用混合回归框架的三个模块（SAM， MRM 和 ASIM）来进一步提高人群估计的精度。
- CVPR使用以规划者为中心的度量方法学习评估感知模型
本研究提出了一种面向自动驾驶的三维物体检测的原则性指标，可以测量检测结果对车辆驾驶的影响，该指标可以考虑除 “零误报” 和 “零漏报” 之外的其他因素比如目标与车辆的距离和速度，从而代表了一种新的衡量标准。
- 神经网络模型的密码分析提取
该研究主要研究了如何利用差分攻击方法，通过查询神经网络的关键点来窃取模型参数，从而实现更高精度的模型抽取。
- CVPR序列级探索提高字幕生成质量
本文讨论了当前序列级别的学习目标在字幕任务中的局限性，通过理论和实证结果表明当前目标在优化模型生成的字幕的准确率方面表现优异，但是忽略了召回率。为此，我们提出了一个序列级别探索项来提高模型字幕的召回率，实验表明这种方法对图像和视频字幕数据集 - ICML生成模型的可靠保真度和多样性度量
本研究旨在寻找图像生成任务的指标评价方法，证明最近的精度和召回率指标并不可靠，并提出一种新的基于密度和覆盖率的评价指标，这些指标可以提供比现有指标更可靠的信息信号。
- Loam_livox: 一种快速、鲁棒、高精度的小视场角 LiDAR 里程计和建图软件包
本文介绍了一种实时、鲁棒的 LiDAR 测距与建图算法，能够应对小 FoV 和不规则采样等基本挑战，并取得了比现有基线更好的精度和效率。
- ACL多语境术语嵌入：基于语料库的术语集扩展案例
本文提出一种组合多重上下文词嵌入的神经分类器算法，并在基于语料库的术语集扩展应用案例上进行了测试。此外，我们还提供了一组独特的用于语料库术语集扩展算法内在评估的数据集，并表明在此数据集上，我们的算法比最佳基线提供了多达 5 个平均精度点。
- BERT 在 Ad Hoc 文档检索中的简单应用
本研究探索了将 BERT 应用于问答的成功之后简单应用于特定文档检索的方法，并通过将推理应用于单个句子，然后将它们的得分汇总以产生文档得分来解决文档比 BERT 输入限制更长的挑战，实验证明，我们的方法虽然简单但有效，报告了我们所知道的使用 - ICLR深度神经网络的超低精度训练中的位宽累积缩放
通过统计方法分析深度学习中的累加器准确性，得到了将计算硬件精度进行精确定制的方案，并证明了这种方案可以得到面积和功率最优的系统。
- 模糊 SLIC：模糊简单线性迭代聚类
提出了一种称为模糊简单线性迭代聚类（Fuzzy SLIC）的强大的超像素方法，它采用本地空间模糊 C 均值聚类和动态模糊超像素，使用真菌洋葱剥皮算法（OP）精确控制超像素数量，并能够准确消除各种噪声，验证实验表明，与最先进的方法相比，在无噪