关键词variance regularization
搜索结果 - 7
- CPR++:通过单一粗糙点监督进行物体定位
通过选择语义中心点替代初始标注点,我们提出了粗糙点细化(CPR)方法,该方法从算法角度首次尝试减轻语义变异问题,并结合采样区域估计模块和级联结构进行全局优化,进一步整合方差正则化来集中预测分数,实现高性能对象定位。
- 克服图片超分辨率网络中的分布不匹配问题
量化是减少图像超分辨率(SR)网络高计算复杂度的一种有前途的方法,然而,与图像分类等高级任务相比,低位量化会导致 SR 网络的严重准确性损失。本文提出了一种新的量化感知训练框架 ODM,该框架有效地解决了 SR 网络中的分布不匹配问题,并且 - 公平的多任务学习
本文提出了一种名为 EMTL 的新型多任务学习优化方法,通过正则化不同任务的相对贡献,在更新共享参数时改善了多任务学习的泛化性能,并通过扩展实验验证了该方法的稳定性和优越性。
- 量子神经网络中有限采样噪声的降低
本文提出了一种新的量子神经网络正则化方法,即方差正则化,可以在不增加量子电路评估的情况下减少噪声和梯度电路评估的测量数量。实验证明,该方法可以有效降低量子神经网络的方差和噪声水平,并在实际量子设备上进行了训练。
- 基于负学习、熵和方差正则化的新动作类别发现
NEV-NCD 算法结合负学习、信息熵、方差正则化的方法,实现了对视频动作识别中的未标注数据的分类准确率的提升。
- 通过预测网络和停梯度方法,实现 BYOL/SimSiam 的隐式方差正则化
本论文研究了自监督学习的非对比方法,通过构建 DirectPred 理论框架,分析了线性网络的表示学习动态,并通过共轭积的方法提供了一个显式的方差规则机制,提出了一种新的各向同性损失函数,并在 CIFAR-10 和 STL-10 数据集上证 - 现代数据增强的内核理论
本文提出了一个理论框架来理解数据增强技术,并从马尔科夫过程和核分类器两个方向进行分析。研究发现,数据增强可以通过一阶特征平均和二阶方差正则化组件来实现近似。本文还将理论应用于加速机器学习工作流,并证明其在预测变换效用和减少使用增强数据所需计