- 肺结节检测中针对难样本的改进集中
通过引入可变形卷积和自适应学习,提出了一个对肺结节进行检测的改进方法,该方法注重难样本和数据集,在 LUNA16 数据集上的实验表明,该方法具有竞争性的性能。
- 脊柱转移的基于学习的骨质分类方法
基于 CT 图像的多任务学习方法,通过自适应学习从易到难的方式,提高脊柱转移病骨质分类的性能,并在脊柱切片和椎体水平上表现出较大的优势。
- 超越传统教学:大型语言模型和聊天机器人在研究生工程教育中的潜力
该研究论文探讨了大语言模型和聊天机器人结合应用于研究生工程教育的可能性,并通过一个研究案例证明了聊天机器人在课堂上的潜在优势,包括促进自主学习、提供即时反馈以及减轻教师负担。该研究还讨论了智能提示对聊天机器人性能的提升效果以及如何通过插件扩 - 自定学习进度作为规则化学习课程的方法
通过自带课程学习和基于自适应学习的绝对学习进度正则化方法,加速强化学习的计算,提高其效率。
- ICLR基于双曲自适应学习的自监督骨架动作表示
提出一种采用超伸展自我调节学习(HYSP)来学习基于骨骼的动作表示的新方法,它采用自监控和超伸展不确定性来确定算法学习的步伐,并在三个已建立的基于骨骼的动作识别数据集中实现了当前最先进的性能。
- 用于遮挡行人检测的特征校准网络
本文介绍了一种基于深度学习框架的新型特征学习方法 - 特征校准网络 (FC-Net),该方法能够自适应检测含有多种遮挡情况的行人。作者通过引入自激活模块和特征校准模块,在学习特征时能够突出行人可见部分,压制遮挡部分。实验结果表明,在 Cit - 去噪多相似度公式:鲁棒性度量学习的自适应计划驱动方法
本文提出了基于自适应采样的均衡自适应度量学习(BSPML)算法,该算法采用去噪多相似度计算,并将噪声样本作为极其困难的样本,并根据样本权重自适应删除样本以提高模型的稳健性和泛化能力。
- AUC 最大化的平衡自适应学习
本文提出了一种平衡的自适应正类比例(BSPAUC)算法来解决在最大化 AUC 时存在的噪声数据问题,该算法通过嵌入一个新颖的平衡自适应正则化项,使得选择的正类和负类样本具有适当的比例,并通过解决非凸子问题所面临的挑战来达到更好的泛化性能,在 - 一种自适应混合蒸馏方法用于非自回归生成
本文提出了一种基于自适应学习的混合蒸馏算法,用于进一步提高 BANG 生成质量。实验证明该方法有效性,并且不会影响推理延迟,相比 BANG 可以显著提高 BLEU 分数,在自回归生成方法方面还可获得超过 7 倍的加速。
- ECCV利用自主学习提升历史文档中文本行检测(有标签缺失情况下)
该研究提出了一种自学习算法来提高光学字符识别系统中的文本行检测性能,利用自学习策略逐渐添加缺失标注的训练例子,通过将真实的边界框与伪边界框进行非极大值抑制的组合,在历史文档的两个数据集上显著提高了 YOLOv4 的平均精度。
- 自适应对比学习在半监督医学图像分割中的应用 —— 基于元标签方法
本文提出了一种利用元标签注释的对比学习方法,用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释,并采用自适应学习方法消除噪声标签,实验结果表明这种方法在几个数据集下表现优异。
- MM基于实例搜索的精准定位
本文使用自适应学习框架,并结合实例搜索,通过逐步挖掘目标实例,即使不知道目标物体的种类,也能够实现准确的目标定位和少样本物体检测,并在两个任务上表现出优越的性能。
- 自主学习上下文的自定节奏上下文评估
通过自适应学习实现自我生成任务课程,从而提高强化学习智能体的泛化能力并加速训练性能。
- 自适应集成学习用于语音和音频分类
本研究提出了一种自适应学习集成算法,通过自学习,将多个机器学习模型相互学习并结合起来,实验结果表明该算法在三个音频任务中相比基准集成模型有显著的性能提升,说明了模型之间互相学习的有效性。
- 自适应、自洽的自训练方法用于半监督图像分割
本文提出了一种半监督图像分割的改进方法,采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence(JSD)损失函数,通过在在训练的不同迭代中强制模型的预测结果始终 - EMNLP神经机器翻译的自适应学习
本研究提出自适应学习方法来改进神经机器翻译 (NMT) 训练过程,允许 NMT 模型自动评估对训练示例的学习自信度并通过调节每次迭代的损失来灵活地控制学习,实验证明该方法在提高翻译质量和加速收敛速度方面优于强基线和人工设计课程训练的模型。
- ECCV自适应深度回归森林在考虑样本不平衡情况下的应用
本文提出了一种新的自我定步深度回归森林模型(SPUDRFs)解决深度识别模型中的排序和选择问题,在人脸年龄估计和头部姿势估计等视觉任务中实现了最先进的表现。
- AAAI嵌入特征选择的离群点检测集成
提出了一种嵌入特征选择的异常检测集成框架 (ODEFS),通过成对排名使特征选择和异常检测融合,使用阈值自适应学习同时优化特征选择和样例选择,设计了一个交替算法解决优化问题,分析了该框架的泛化误差界限,实验结果表明 ODEFS 的优越性。
- IJCAI交替方向乘法中的分布式逐步学习
该论文提出了一种名为分布式自适应学习(DSPL)的方法,该方法可以对大规模数据集进行优化,解决了传统自适应学习在并行计算中无法处理的问题。该方法在合成数据和真实数据上进行了广泛实验,证明了其在实践中的优越性。
- ScreenerNet: 深度神经网络自适应学习
使用一个附加的深度神经网络 ScreenerNet,以一个自适应的方式为监督学习和深度强化学习制定课程,ScreenerNet 不仅不具有采样偏差,也无需记忆过去的学习历史,最终在 MNIST、CIFAR10 和 Pascal VOC201