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

主題： Laplacian Change Point Detection for Dynamic Graphs

摘要： 動態圖和時間圖是豐富的數據結構，用于對實體之間的復雜關系進行建模，尤其是時間圖的異常檢測是現實世界中至關重要的應用，例如網絡系統中的入侵識別，生態系統擾動的檢測和流行病的檢測。在本文中，我們專注于動態圖的變化點檢測，并解決與該問題相關的兩個主要挑戰：I）如何跨時間比較圖快照，II）如何捕獲時間依存關系。為了解決上述挑戰，我們提出了拉普拉斯異常檢測（LAD），它使用每個快照上圖結構的拉普拉斯矩陣的頻譜來獲得低維嵌入。 LAD通過應用兩個滑動窗口顯式地對短期和長期依賴性進行建模。在合成實驗中，LAD的性能優于最新方法。我們還將在三個真實的動態網絡上評估我們的方法：UCI消息網絡，美國參議院共同贊助網絡和加拿大法案投票網絡。在所有三個數據集中，我們證明了我們的方法可以根據重大的現實事件更有效地識別異常時間點。

從少數樣本中發現稀有物體是一個新出現的問題。先前的研究表明元學習工是一個很有前途的方法。但是，微調技術還沒有引起足夠的重視。我們發現，在小樣本目標檢測任務中，僅對稀有類上現有檢測器的最后一層進行微調是至關重要的。這種簡單的方法比元學習方法在當前基準上的表現高出約2 ~ 20點，有時甚至比以前的方法的準確度還要高出一倍。然而，少數樣本的高方差常常導致現有基準的不可靠性。我們通過對多組訓練樣本進行抽樣，以獲得穩定的比較，并在PASCAL VOC、COCO和LVIS三個數據集的基礎上建立新的基準。同樣，我們的微調方法在修訂基準上建立了一種新的技術狀態。代碼和預訓練的模型可以在//github.com/ucbdrive/few-shot-object-detection找到。

最近發布的GPT-3讓我對NLP中的零學習和小樣本的狀態產生了興趣。雖然大多數的零樣本學習研究集中在計算機視覺，也有一些有趣的工作在NLP領域。

我將會寫一系列的博文來涵蓋現有的關于NLP零樣本學習的研究。在這第一篇文章中，我將解釋Pushp等人的論文“一次訓練，到處測試:文本分類的零樣本學習”。本文從2017年12月開始，首次提出了文本分類的零樣本學習范式。

什么是零樣本學習?

零樣本學習是檢測模型在訓練中從未見過的類的能力。它類似于我們人類在沒有明確監督的情況下歸納和識別新事物的能力。

例如，我們想要做情感分類和新聞分類。通常，我們將為每個數據集訓練/微調一個新模型。相比之下，零樣本學習，你可以直接執行任務，如情緒和新聞分類，沒有任何特定的任務訓練。

一次訓練，隨處測試

本文提出了一種簡單的零樣本分類方法。他們沒有將文本分類為X類，而是將任務重新組織為二元分類，以確定文本和類是否相關。

//amitness.com/2020/05/zero-shot-text-classification/

最近深度神經網絡已經在監督識別任務上取得了令人振奮的突破，但是深度神經網絡要求每個類都有足夠 多的且完全標注的訓練數據。如何從少數訓練樣本中學習并識別新的類別，對于深度神經網絡來說是一個具有挑戰性的問題。針對如何解決少樣本學習的問題，全面總結了現有的基于深度神經網絡的少樣本學習方法，涵蓋了方法 所用模型、數據集及評估結果等各個方面。具體地，針對基于深度神經網絡的少樣本學習方法，提出將其分為四種 類別，即數據增強方法、遷移學習方法、度量學習方法和元學習的方法；對于每個類別，進一步將其分為幾個子類 別，并且在每個類別與方法之間進行一系列比較，以顯示各種方法的優劣和各自的特點。最后，強調了現有方法的局限性，并指出了少樣本學習研究領域的未來研究方向。

主題： Exploring Categorical Regularization for Domain Adaptive Object Detection

摘要： 在本文中，我們解決了域自適應對象檢測問題，其中主要挑戰在于源域和目標域之間的顯著域間隙。先前的工作試圖使圖像級別和實例級別的轉換明確對齊，以最終將域差異最小化。但是，它們仍然忽略了跨域匹配關鍵圖像區域和重要實例，這將嚴重影響域偏移緩解。在這項工作中，我們提出了一個簡單但有效的分類正則化框架來緩解此問題。它可以作為即插即用組件應用于一系列領域自適應快速R-CNN方法，這些方法在處理領域自適應檢測方面非常重要。具體地，通過將??圖像級多標簽分類器集成到檢測主干上，由于分類方式的定位能力較弱，我們可以獲得與分類信息相對應的稀疏但至關重要的圖像區域。同時，在實例級別，我們利用圖像級別預測（通過分類器）和實例級別預測（通過檢測頭）之間的分類一致性作為規則化因子，以自動尋找目標域的硬對齊實例。各種域移位方案的大量實驗表明，與原始的域自適應快速R-CNN檢測器相比，我們的方法獲得了顯著的性能提升。此外，定性的可視化和分析可以證明我們的方法參加針對領域適應的關鍵區域/實例的能力。

主題： Weakly-Supervised Salient Object Detection via Scribble Annotations

摘要： 與費力的逐像素密集標記相比，這種方法更容易通過涂抹來標記數據，僅花費1-2秒即可標記一張圖像。然而，尚未有人探索使用可劃線標簽來學習顯著物體檢測。在本文中，我們提出了一種弱監督的顯著物體檢測模型，以從此類注釋中學習顯著性。為此，我們首先使用亂碼對現有的大型顯著物體檢測數據集進行重新標記，即S-DUTS數據集。由于對象的結構和詳細信息不能通過亂寫識別，因此直接訓練帶有亂寫的標簽將導致邊界位置局限性的顯著性圖。為了緩解這個問題，我們提出了一個輔助的邊緣檢測任務來明確地定位對象邊緣，并提出了門控結構感知損失以將約束置于要恢復的結構范圍上。此外，我們設計了一種涂鴉增強方案來迭代地整合我們的涂鴉注釋，然后將其作為監督來學習高質量的顯著性圖。我們提出了一種新的度量標準，稱為顯著性結構測量，用于測量預測顯著性圖的結構對齊方式，這與人類的感知更加一致。在六個基準數據集上進行的大量實驗表明，我們的方法不僅優于現有的弱監督/無監督方法，而且與幾種完全監督的最新模型相提并論。

題目： Context-Transformer: Tackling Object Confusion for Few-Shot Detection

摘要：

小樣本目標檢測是一個具有挑戰性但又很現實的場景，只有少數帶注釋的訓練圖像可用于訓練檢測器。處理這個問題的一個流行的方法是遷移學習，對在源域基準上預先訓練的檢測器進行微調。然而，由于訓練樣本的數據多樣性較低，這種轉移的檢測器往往不能識別目標域中的新對象。為了解決這一問題，我們提出了一個新穎的上下文轉換器：一個簡潔的深層傳輸框架。具體來說，Context-Transformer可以有效地利用源域對象知識作為指導，并自動地從目標域中的少量訓練圖像中挖掘上下文。然后，自適應地整合這些相關線索，增強檢測器的識別能力，以減少在小樣本場景下的目標混淆。此外，上下文轉換器靈活地嵌入到流行的ssd風格的檢測器中，這使得它成為端到端小樣本學習的即插即用模塊。最后，我們評估了上下文轉換器對小樣本檢測和增量小樣本檢測的挑戰性設置。實驗結果表明，我們的框架比目前最先進的方法有更好的性能。

小樣本學習是計算機視覺中的一項基本任務，它帶來了減輕對詳盡標記數據需求的希望。到目前為止，大多數小樣本學習方法都集中在日益復雜的神經特征提取器和分類器適應策略，以及任務定義本身的細化。在這篇論文中，我們探討了一個假設，即一個簡單的基于類協方差的距離度量，即馬氏距離，被采用到一個最先進的小樣本學習方法(CNAPS)中，它本身可以導致顯著的性能改進。我們還發現，學習自適應特征提取器是可能的，它允許從非常少的樣本中對該度量所需的高維特征協方差進行有用的估計。我們的工作結果是一個新的“簡單的CNAPS”架構，它比CNAPS少了9.2%的可訓練參數，并且在標準的小樣本圖像分類基準數據集上比現有的技術水平高了6.1%。