亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

小樣本學習(FSL)近年來引起了越來越多的關注，但仍然具有挑戰性，因為學習從少數例子中歸納的固有困難。本文提出了一種自適應間隔原則，以提高基于度量的元學習方法在小樣本學習問題中的泛化能力。具體地說，我們首先開發了一個與類相關的加性邊緣損失算法，該算法考慮了每對類之間的語義相似性，從而將特征嵌入空間中的樣本從相似的類中分離出來。此外，我們在抽樣訓練任務中加入所有類別之間的語義上下文，并開發了與任務相關的附加間隔損失，以更好地區分不同類別的樣本。我們的自適應間隔方法可以很容易地推廣到更現實的廣義FSL設置。大量的實驗表明，在標準FSL和通用FSL設置下，所提出的方法可以提高現有基于度量的元學習方法的性能。

主動學習是通過對最有代表性的樣本進行抽樣，設計標簽有效的算法。在本文中，我們提出了一種狀態重新標記對抗主動學習模型(SRAAL)，該模型利用標注和標記/未標記的狀態信息來獲得信息量最大的未標記樣本。SRAAL由一個表示生成器和一個狀態鑒別器組成。該生成器利用補充標注信息與傳統重建信息生成樣本的統一表示，將語義嵌入到整個數據表示中。然后，我們在鑒別器中設計了一個在線不確定度指標，使未標記樣本具有不同的重要性。因此，我們可以根據鑒別器的預測狀態來選擇信息最豐富的樣本。我們還設計了一個算法來初始化標記池，這使得后續的采樣更加有效。在各種數據集上進行的實驗表明，我們的模型優于現有的主動學習方法，并且我們的初始采樣算法具有更好的性能。

細粒度的視覺分類一直被視為一個重要的問題,然而,其實際應用仍受限制,因為精確的注解大量細粒度圖像數據集是一項艱苦的任務,需要人類的專家級知識。解決這個問題的一個方法是將域適應方法應用于細粒度場景，其中的關鍵思想是發現現有的細粒度圖像數據集和大量未標記數據之間的共性。主要的技術瓶頸是在域對齊過程中，大的域間變異會使小的類間變異的細微邊界變差。本文提出了一種基于課程的對抗學習框架的漸進式對抗網絡(PAN)，該網絡可將跨領域的細粒度分類進行對齊。 特別是，在整個學習過程中，通過所有的多粒度特性進行域適應，逐步地從粗到細利用標簽層次結構。該方法既適用于類別分類，又適用于域對齊，提高了細粒度特征的可識別性和可移植性。我們的方法是在三個基準上評估的，其中兩個是我們提出的，它比最先進的領域適應方法表現更好。

題目： Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey

摘要： 為了在計算機視覺應用中從圖像或視頻中獲得更好的視覺特征學習性能，通常需要大規模的標記數據來訓練深度神經網絡。為了避免大規模數據集收集和標注的大量開銷，作為無監督學習方法的一個子集，提出了一種自監督學習方法，在不使用任何人類標注的標簽的情況下，從大規模無標記數據中學習圖像和視頻的一般特征。本文對基于深度學習的自監督一般視覺特征學習方法進行了廣泛的綜述。首先，描述了該領域的動機、通用管道和術語。在此基礎上，總結了常用的用于自監督學習的深度神經網絡體系結構。接下來，回顧了自監督學習方法的模式和評價指標，然后介紹了常用的圖像和視頻數據集以及現有的自監督視覺特征學習方法。最后，總結和討論了基于基準數據集的定量性能比較方法在圖像和視頻特征學習中的應用。最后，對本文的研究進行了總結，并提出了一套具有發展前景的自監督視覺特征學習方法。

元學習已被提出作為一個框架來解決具有挑戰性的小樣本學習設置。關鍵的思想是利用大量相似的小樣本任務，以學習如何使基學習者適應只有少數標記的樣本可用的新任務。由于深度神經網絡(DNNs)傾向于只使用少數樣本進行過度擬合，元學習通常使用淺層神經網絡(SNNs)，因此限制了其有效性。本文提出了一種新的學習方法——元轉移學習(MTL)。具體來說，“meta”是指訓練多個任務，“transfer”是通過學習每個任務的DNN權值的縮放和變換函數來實現的。此外，我們還介紹了作為一種有效的MTL學習課程的困難任務元批處理方案。我們使用(5類，1次)和(5類，5次)識別任務，在兩個具有挑戰性的小樣本學習基準上進行實驗:miniImageNet和Fewshot-CIFAR100。通過與相關文獻的大量比較，驗證了本文提出的HT元批處理方案訓練的元轉移學習方法具有良好的學習效果。消融研究還表明，這兩種成分有助于快速收斂和高精度。

地址:

//arxiv.org/abs/1812.02391

代碼：

題目： Adversarial-Learned Loss for Domain Adaptation

摘要： 近年來，在跨領域學習可轉移表征方面取得了顯著的進展。以往的領域適應研究主要基于兩種技術：領域對抗學習和自我訓練。然而，領域對抗性學習只會調整領域之間的特征分布，而不考慮目標特征是否具有區分性。另一方面，自訓練利用模型預測來增強目標特征的識別，但無法明確地指定領域分布。為了將這兩種方法的優點結合起來，我們提出了一種新的領域自適應的通用學習損失（ALDA）方法，首先分析了一種典型的自訓練方法偽標簽方法。然而，偽標簽和地面真實性之間存在差距，這可能導致錯誤的訓練。因此，我們引入了混淆矩陣，通過對抗性的方式在ALDA中學習，以減少gap并對齊特征分布。最后，從學習的混淆矩陣中自動構造一個新的損失函數，作為未標記目標樣本的損失。在四標準域自適應數據集中，OurALDA優于最新方法。

作者簡介： Haifeng Liu，博士，浙江大學計算機學院副教授。個人主頁：//person.zju.edu.cn/en/hfliu

題目： Adversarial Cross-Domain Action Recognition with Co-Attention

摘要： 動作識別是一個被廣泛研究的課題，其研究重點是有監督的學習，包括足夠多的視頻。然而，跨域動作識別的問題，即訓練和測試視頻是從不同的底層分布中提取出來的，在很大程度上仍然沒有得到充分的研究。以往的方法直接采用跨域圖像識別技術，容易出現嚴重的時間錯位問題。提出了一種時間協同注意網絡（TCoN），該網絡利用一種新的跨域協同注意機制，對源域和目標域之間的時間對準動作特征分布進行了匹配。在三個跨域動作識別數據集上的實驗結果表明，在跨域設置下，TCoN顯著地改進了以往的單域和跨域方法。

作者簡介： Boxiao Pan，斯坦福大學視覺與學習實驗室的碩士。他對構建能夠解釋和理解以人為中心的行為、場景和事件的智能系統非常著迷，尤其是通過視頻輸入。//cs.stanford.edu/~bxpan/

Zhangjie Cao，斯坦福大學計算機科學系的博士。

題目： AdversarialRepresentationActiveLearning

簡介： 主動學習的目的是通過查詢將由Oracle標記的信息最多的樣本來開發標簽有效的算法。 設計需要較少標簽的有效培訓方法是一個重要的研究方向，它可以更有效地利用計算和人力資源來進行訓練深度神經網絡。 在這項工作中，我們演示了如何利用深度生成模型中的最新進展，在使用盡可能少的標簽來達到最高分類精度方面，勝過最新技術。 與以前的方法不同，我們的方法不僅使用標記圖像來訓練分類器，而且還使用未標記圖像和生成的圖像來共同訓練整個模型。