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

本文綜述了元學習在圖像分類、自然語言處理和機器人技術等領域的應用。與深度學習不同，元學習使用較少的樣本數據集，并考慮進一步改進模型泛化以獲得更高的預測精度。我們將元學習模型歸納為三類: 黑箱適應模型、基于相似度的方法模型和元學習過程模型。最近的應用集中在將元學習與貝葉斯深度學習和強化學習相結合，以提供可行的集成問題解決方案。介紹了元學習方法的性能比較，并討論了今后的研究方向。

題目： Meta-Learning in Neural Networks: A Survey

簡介： 近年來，元學習領域的興趣急劇上升。與使用固定學習算法從頭解決給定任務的傳統AI方法相反，元學習旨在根據多次學習事件的經驗來改善學習算法本身。這種范例為解決深度學習的許多傳統挑戰提供了機會，包括數據和計算瓶頸以及泛化的基本問題。在本次調查中，我們描述了當代的元學習環境。我們首先討論元學習的定義，并將其相對于相關領域（例如轉移學習，多任務學習和超參數優化）進行定位。然后，我們提出了一種新的分類法，該分類法為當今的元學習方法提供了更為全面的細分。我們調查了元學習的有希望的應用程序和成功案例，包括，強化學習和架構搜索。最后，我們討論了未來研究的突出挑戰和有希望的領域。

題目： Anomalous Instance Detection in Deep Learning: A Survey

摘要：

深度學習(DL)容易受到分布不均勻和對抗性示例的影響，從而導致不正確的輸出。為了使DL更具有魯棒性，最近提出了幾種方法:異常檢測技術來檢測(并丟棄)這些異常樣本。本研究試圖為基于DL的應用程序異常檢測的研究提供一個結構化的、全面的概述。我們根據現有技術的基本假設和采用的方法為它們提供了一個分類。我們討論了每個類別中的各種技術，并提供了這些方法的相對優勢和劣勢。我們在這次調查中的目標是提供一個更容易并且更好理解的技術，這項技術是在這方面已經做過研究的，且屬于不同的類別的。最后，我們強調了在DL系統中應用異常檢測技術所面臨的未解決的研究挑戰，并提出了一些具有重要影響的未來研究方向。

題目： A Survey of the Recent Architectures of Deep Convolutional Neural Networks

摘要：

深度卷積神經網絡(CNNs)是一種特殊類型的神經網絡，在計算機視覺和圖像處理等領域的多項競賽中均有出色的表現。CNN有趣的應用領域包括圖像分類與分割、目標檢測、視頻處理、自然語言處理、語音識別等。深度卷積神經網絡強大的學習能力很大程度上是由于它使用了多個特征提取階段，可以從數據中自動學習表示。大量數據的可用性和硬件技術的改進加速了CNNs的研究，最近出現了非常有趣的深度卷積神經網絡架構。事實上，人們已經探索了幾個有趣的想法來促進CNNs的發展，比如使用不同的激活和丟失函數、參數優化、正則化和架構創新。然而，深度卷積神經網絡的代表性能力的主要提升是通過架構上的創新實現的。特別是利用空間和信道信息、建筑的深度和寬度以及多路徑信息處理的思想得到了廣泛的關注。同樣，使用一組層作為結構單元的想法也越來越流行。因此，本次調查的重點是最近報道的深度CNN架構的內在分類，因此，將CNN架構的最新創新分為七個不同的類別。這七個類別分別基于空間開發、深度、多路徑、寬度、特征圖開發、通道提升和注意力。對CNN的組成部分、當前CNN面臨的挑戰和應用進行了初步的了解。

論文主題： Recent Advances in Deep Learning for Object Detection

論文摘要： 目標檢測是計算機視覺中的基本視覺識別問題，并且在過去的幾十年中已得到廣泛研究。目標檢測指的是在給定圖像中找到具有精確定位的特定目標，并為每個目標分配一個對應的類標簽。由于基于深度學習的圖像分類取得了巨大的成功，因此近年來已經積極研究了使用深度學習的對象檢測技術。在本文中，我們對深度學習中視覺對象檢測的最新進展進行了全面的調查。通過復習文獻中最近的大量相關工作，我們系統地分析了現有的目標檢測框架并將調查分為三個主要部分：（i）檢測組件，（ii）學習策略（iii）應用程序和基準。在調查中，我們詳細介紹了影響檢測性能的各種因素，例如檢測器體系結構，功能學習，建議生成，采樣策略等。最后，我們討論了一些未來的方向，以促進和刺激未來的視覺對象檢測研究。與深度學習。

論文題目： Object Detection in 20 Years: A Survey

論文簡介：
 目標檢測作為計算機視覺中最基本和最具挑戰性的問題之一，近年來受到了極大的關注。它在過去二十年的發展可以看作是計算機視覺歷史的縮影。如果我們將當今的物體檢測視為在深度學習的力量下的技術美學，那么將時光倒流到20年前，我們將見證冷武器時代的智慧。鑒于目標檢測技術的技術發展，本文跨越了四分之一世紀的時間（從1990年代到2019年）廣泛地審查了400多篇論文。本文涵蓋了許多主題，包括歷史上的里程碑檢測器，檢測數據集，度量，檢測系統的基本構建塊，加速技術以及最新的檢測技術水平。本文還回顧了一些重要的檢測應用程序，例如行人檢測，面部檢測，文本檢測等，并對它們的挑戰以及近年來的技術改進進行了深入分析。

論文題目： A Survey of Deep Learning-based Object Detection

論文摘要： 目標檢測是計算機視覺中最重要和最具挑戰性的分支之一，它已廣泛應用于人們的生活中，例如監視安全性，自動駕駛等。隨著用于檢測任務的深度學習網絡的迅速發展，對象檢測器的性能得到了極大的提高。為了深入地了解目標檢測的主要發展狀況，在本次調查中，我們首先分析了現有典型檢測模型的方法并描述了基準數據集。之后，我們以系統的方式全面概述了各種目標檢測方法，涵蓋了一級和二級檢測器。此外，我們列出了傳統和新的應用程序。還分析了對象檢測的一些代表性分支。最后，我們討論了利用這些對象檢測方法來構建有效且高效的系統的體系結構，并指出了一組發展趨勢，以更好地遵循最新的算法和進一步的研究。

作者介紹： Licheng Jiao 1982年獲得中國上海交通大學博士學位，并分別于1984年和1990年獲得西安交通大學的博士學位。 1990年至1991年，他是西安電子科技大學雷達信號處理國家重點實驗室的博士后研究員。自1992年以來，焦博士一直是中國西安電子科技大學電子工程學院的教授，目前是電子工程學院的院長，也是智能感知與圖像理解重點實驗室的主任。 西安電子科技大學中國教育部 1992年，焦博士獲得了青年科學技術獎。 1996年，他獲得了中國教育部跨世紀專家基金的資助。 從1996年起，他被選為“中國第一級人才計劃”的成員。2006年，他被霍英東教育基金會授予高中青年教師獎一等獎。 從2006年起，他被選為陜西省特別貢獻專家。

論文題目： Imbalance Problems in Object Detection: A Review

論文摘要： 在本文中，我們對物體檢測中的不平衡問題進行了全面回顧。 為了系統地分析問題，我們引入了兩種分類法； 一個解決問題，另一個解決方案。 按照問題的分類法，我們深入討論每個問題，并對文獻中的解決方案提出一個統一而又批判性的觀點。 此外，我們確定了有關現有不平衡問題以及以前未討論過的不平衡問題的主要開放問題。 此外，為了使我們的評論保持最新，我們提供了一個隨附的網頁。