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

去柵格化的矢量圖識別

Recognizing Vector Graphics without Rasterization

論文摘要：本文工作關注在一種與以往大多數工作不同的圖像格式：矢量圖。和在圖像識別中常用的位圖不同，由于矢量圖基于解析幾何的表示方式，可以被無損失的縮放到任意分辨率。同時，矢量圖還提供了額外的結構化信息，描述了底層元素是如何構成高層的形狀和結構。現有的識別方法并沒有充分利用這一格式的優點。本文通過目標檢測這一基本的視覺任務來探索這個圖像格式。我們提出了一種無需 CNN 的高效網絡結構，在識別過程中無需將矢量圖渲染為像素圖（即柵格化），直接把矢量圖的文本作為模型輸入，稱為 YOLaT (You Only Look at Text)。YOLaT 將矢量圖的結構和空間信息建模為一個多重圖，并提出一個雙流圖神經網絡基于多重圖來進行目標檢測。實驗證明 YOLaT 通過直接對矢量圖進行處理分析，能夠在計算效率和性能上顯著超過現有的目標檢測方法。

//www.zhuanzhi.ai/paper/8b75d17e2875ed0792f5422150dc1067

基于激光雷達的傳感技術驅動著目前的自動駕駛汽車。盡管進展迅速，但目前的激光雷達傳感器在分辨率和成本方面仍落后于傳統彩色相機20年。對于自動駕駛來說，這意味著靠近傳感器的大物體很容易被看到，但遠處或小物體只包含一兩個測量。這是一個問題，尤其是當這些物體被證明是駕駛危險的時候。另一方面，這些相同的物體在機載RGB傳感器中清晰可見。在這項工作中，我們提出了無縫融合RGB傳感器到基于激光雷達的3D識別的方法。我們的方法采用一組二維檢測來生成密集的三維虛擬點，以增強稀疏的三維點云。這些虛擬點自然地集成到任何標準的基于激光雷達的3D探測器以及常規激光雷達測量。由此產生的多模態檢測器簡單而有效。在大規模nuScenes數據集上的實驗結果表明，我們的框架通過顯著的6.6 mAP改善了一個強大的中心點基線，并優于其他融合方法。代碼和更多可視化信息可以在//tianweiy.github.io/mvp/上找到

我們根據預測中包含的信息而不是訓練算法的輸出來推導有監督學習算法的信息理論泛化邊界。這些邊界改進了現有的信息理論界限，適用于更廣泛的算法，并解決了兩個關鍵的挑戰: (a)它們為確定性算法提供了有意義的結果；(b)它們明顯更容易估計。我們通過實驗證明，在深度學習的實際場景中，所提出的邊界與泛化差距密切相關。

//www.zhuanzhi.ai/paper/0c63babe0fe06d384258215e6ab8f74c

Improved Analysis of Clipping Algorithms for Non-convex Optimization

梯度裁剪在深度神經網絡訓練中應用廣泛，部分原因是其在解決梯度爆炸問題上的實用性。最近，Zhang等人[2020a]通過引入一個新的假設(L0, L1)-平滑性，證明剪切(隨機)梯度下降(GD)比普通的GD/SGD收斂得更快，該假設表征了深度神經網絡中通常遇到的梯度劇烈波動。然而，它們在問題相關參數上的迭代復雜性是相當悲觀的，并且裁剪與其他關鍵技術(如動量加速)相結合的理論證明仍然缺乏。在本文中，我們提出了一個研究剪切算法的一般框架來彌補這一差距，該框架也考慮了動量法。我們提供了框架在確定性和隨機設置的收斂性分析，并通過比較它們與現有的下界來證明我們的結果的緊密性。我們的結果表明，剪裁方法的效率不會退化，即使在景觀的高度非光滑的區域。實驗證明了基于裁剪的方法在深度學習任務中的優越性。

//arxiv.org/abs/2010.02519

持續學習和適應新任務的能力，同時又不失去對已經獲得的知識的掌握，是生物學習系統的一個特征，這是目前的深度學習系統所欠缺的。在這項工作中，我們提出了一種新的持續學習方法，稱為MERLIN:持續學習的元鞏固。

我們假設一個用于解決任務t的神經網絡的權值是來自于一個元分布p(lenian| t)。這種元分布是逐步學習和鞏固的。我們在具有挑戰性的在線持續學習設置中操作，其中一個數據點只被模型看到一次。

我們對MNIST、CIFAR-10、CIFAR-100和Mini-ImageNet數據集的持續學習基準進行的實驗顯示，在五個基線上，包括最近的最先進水平，都證明了MERLIN的前景。

//arxiv.org/abs/2010.00352