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

題目：

Con?dence-Aware Learning for Deep Neural Networks

簡介：

盡管深度神經網絡可以執行多種任務，但過分一致的預測問題限制了它們在許多安全關鍵型應用中的實際應用。已經提出了許多新的工作來減輕這個問題，但是大多數工作需要在訓練和/或推理階段增加計算成本，或者需要定制的體系結構來分別輸出置信估計。在本文中，我們提出了一種使用新的損失函數訓練深度神經網絡的方法，稱為正確排名損失，該方法將類別概率顯式規范化，以便根據依據的有序等級更好地進行置信估計。所提出的方法易于實現，并且無需進行任何修改即可應用于現有體系結構。而且，它的訓練計算成本幾乎與傳統的深度分類器相同，并且通過一次推斷就可以輸出可靠的預測。在分類基準數據集上的大量實驗結果表明，所提出的方法有助于網絡產生排列良好的置信度估計。我們還證明，它對于與置信估計，分布外檢測和主動學習密切相關的任務十分有效。

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。

題目： Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection

摘要：

弱監督學習通過減少訓練過程中對強監督的需求，已經成為一種引人注目的對象檢測工具。然而，主要的挑戰仍然存在:(1)對象實例的區分可能是模糊的;(2)探測器往往聚焦于有區別的部分，而不是整個物體;(3)如果準確性不高，對象建議對于高回憶來說是冗余的，這會導致大量的內存消耗。解決這些挑戰是困難的，因為它經常需要消除不確定性和瑣碎的解決方案。為了解決這些問題，我們開發了一個實例感知和上下文相關的統一框架。它采用了一個實例感知的自訓練算法和一個可學習的具體DropBlock，同時設計了一個內存有效的順序批處理反向傳播。我們提出的方法在COCO(12.1%的AP, 24.8%的AP50)、VOC 2007(54.9%的AP)和VOC 2012(52.1%的AP)上取得了最先進的結果，極大地改善了基線。此外，該方法是第一個對基于ResNet的模型和弱監督視頻對象檢測進行基準測試的方法。

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。

主題： Learning Video Object Segmentation from Unlabeled Videos

摘要：

我們提出了一種新的視頻對象分割方法(VOS)，解決了從未標記的視頻中學習對象模式的問題，而現有的方法大多依賴于大量的帶注釋的數據。我們引入了一個統一的無監督/弱監督學習框架，稱為MuG，它全面地捕捉了VOS在多個粒度上的內在特性。我們的方法可以幫助提高對VOS中可視模式的理解，并顯著減少注釋負擔。經過精心設計的體系結構和強大的表示學習能力，我們的學習模型可以應用于各種VOS設置，包括對象級零鏡頭VOS、實例級零鏡頭VOS和單鏡頭VOS。實驗表明，在這些設置下，有良好的性能，以及利用無標記數據進一步提高分割精度的潛力。

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： Self-supervised learning for audio-visual speaker diarization

摘要：

主講人二值化是一種尋找特定主講人語音片段的技術，在視頻會議、人機交互系統等以人為中心的應用中得到了廣泛的應用。在這篇論文中，我們提出一種自監督的音視頻同步學習方法來解決說話人的二值化問題，而不需要大量的標注工作。我們通過引入兩個新的損失函數:動態三重損失和多項式損失來改進前面的方法。我們在一個真實的人機交互系統上進行了測試，結果表明我們的最佳模型獲得了顯著的+8%的f1分數，并降低了二值化的錯誤率。最后，我們介紹了一種新的大規模的音視頻語料庫，以填補漢語音視頻數據集的空白。

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： 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。