- 在零售领域中使用梯度提升树进行可扩展的概率预测:实践者的方法
对于规模更大的电子商务公司的预测挑战,在较少的系列和间歇性数据的聚合级别上进行自顶向下的预测,并进行分解以获取决策级别的预测,通过分布假设产生概率预测,并使用子样本进行直接训练的可扩展方法。
- MM认知逻辑程序:一些性质研究
通过引入新的定义和语义属性,我们分析了在 Epistemic Logic Programs 中从自底向上到自顶向下的分割方法,并证明了它与自底向上方法的等价性。
- 众人姿态估计:克服检测信息瓶颈和模糊性的再思考
提出了一种新颖的基于 Bottom-up 和 Top-down 方法相结合的姿态估计模型 ——BUCTD,并将该方法应用于动物和人的关键点检测,与之前的现有模型在 CrowdPose 和 OCHuman 数据集上表现相比有了较大改进,并且在 - CANet: 带有自适应解码器的曲线引导线网络用于车道检测
本文提出了一种新的基于深度学习的自顶向下的车道检测方法 -- CANET,能够有效解决车道边角处的检测问题,并在多个指标上达到了领先水平。
- 样本高效强化学习的动态抽象表示学习
本文介绍了一种新的从上至下的方法,用于在执行强化学习的同时构建状态抽象,动态计算一个基于 Q 值分散的抽象,结果表明,这种方法自动学习细调问题的抽象,具有较强的样本效率,并使强化学习代理明显优于现有方法。
- MM人工智能道德的情境化:自上而下,自下而上和混合模型的理论与应用伦理学的元民族志
本研究通过哲学伦理观点、技术角度以及政治视角三个不同的角度探讨了伦理人工智能技术设计实施,旨在发掘伦理人工智能技术的长期影响和预期成果,在此基础上提出了一种新的政治角度的框架,探讨了其上下结合和混合技术的方式,最终总结了伦理人工智能技术发展 - 人体姿态估计中自上而下方法的综述
本篇论文对基于深度学习的二维图像人体姿态识别的最新方法进行了广泛的综述和比较,重点关注自 2016 年以来的自顶向下方法,此外,还讨论了数学基础、挑战与局限性、基准数据集和评价指标。
- ECCVTransFGU: 一种自上而下的 Fine-Grained 非监督语义分割方法
该篇论文提出了首个自上而下的无监督语义分割框架,利用自监督学习方式从大规模视觉数据中获得高级别结构化语义概念信息,使用此信息作为先验,利用计算出的类激活图(CAM)将发现的高级别语义类别映射到低级别像素特征中,最后用获得的 CAM 作为伪标 - 通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测
提出了一种基于多摄像头的 3D 对象检测框架,使用基于上下文注意力的网络,直接在 3D 空间中进行边界框的预测,实现了全球最佳性能。
- CVPR从单张图像中连贯重建多人
本研究针对单张图像中的多人 3D 姿态估计问题,采用自顶向下的方法,并利用 SMPL 参数化身体模型,提出了基于距离场碰撞损失和深度排序感知损失的网络训练框架,有效解决了结果不连贯的问题,并且在标准的 3D 姿态基准测试中表现出优异性能。
- 基于生成的分层模型,用于部件、物体和场景
本文提出的深度潜变量模型 RICH 能够通过无监督学习来学习可解释的组成层次结构,并通过自上而下的方法使用高层表示来指导低层分解,在包含多个具有不同部分构成的对象的图像中,我们证明 RICH 能够学习潜在的组成层次结构并生成虚拟场景。
- ECCV人体姿态识别与跟踪的自顶向下方法
使用自顶向下的方法,建立了一个由三个模块组成的强基准系统,分别为人体候选检测器、单人姿态估计器和人体姿态跟踪器。该方法使用了先进的通用物体检测器来检测人体候选者,并使用级联金字塔网络来估计相应的人体姿态,最后使用基于光流的姿态跟踪器进行多目