腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

计算机视觉理论及其实现

专栏作者

1715

文章

3796796

阅读量

72

订阅数

增量学习，，，

网站学习方法编程算法 linux

增量学习作为机器学习的一种方法，现阶段得到广泛的关注。在其中，输入数据不断被用于扩展现有模型的知识，即进一步训练模型，它代表了一种动态的学习的技术。对于满足以下条件的学习方法可以定义为增量学习方法：

2022-06-08

5980

一文看尽 6篇 CVPR2021 伪装目标检测、旋转目标检测论文

编程算法 https 网络安全图像识别学习方法

本文对 CVPR 2021 检测大类中的“伪装目标检测”、“旋转目标检测”领域的论文进行了盘点，将会依次阐述每篇论文的方法思路和亮点。在极市平台回复“CVPR21检测”，即可获得打包论文 >>加入极市CV技术交流群，走在计算机视觉的最前沿

2021-08-10

3.3K0

Multitask Learning

学习方法机器学习迁移学习深度学习人工智能

现在大多数机器学习任务都是单任务学习。对于复杂的问题，也可以分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。这样做看似合理，其实是不正确的，因为现实世界中很多问题不能分解为一个一个独立的子问题，即使可以分解，各个子问题之间也是相互关联的，通过一些共享因素或共享表示（share representation）联系在一起。把现实问题当做一个个独立的单任务处理，忽略了问题之间所富含的丰富的关联信息。多任务学习就是为了解决这个问题而诞生的。把多个相关（related）的任务（task）放在一起学习。这样做真的有效吗？答案是肯定的。多个任务之间共享一些因素，它们可以在学习过程中，共享它们所学到的信息，这是单任务学习所具备的。相关联的多任务学习比单任务学习能去的更好的泛化（generalization）效果。

2021-08-05

3260

Frustratingly Simple Few-Shot Object Detection

学习方法 html 机器学习神经网络深度学习

从几个例子中检测稀有物体是一个新兴的问题。先前的研究表明元学习是一种很有前途的方法。但是，精细的调音技术没有引起足够的重视。我们发现，仅微调现有检测器的最后一层稀有类是至关重要的少数射击目标检测任务。这种简单的方法比元学习方法的性能要高出约2 ~ 20点，有时甚至是之前方法的准确度的两倍。然而，少数样本中的高方差往往会导致现有基准测试的不可靠性。基于PASCAL VOC、COCO和LVIS三个数据集，我们通过对多组训练实例进行采样来修改评估协议，以获得稳定的比较，并建立新的基准。同样，我们的微调方法在修订后的基准上建立了一个新的最先进状态。

2021-06-11

1.2K0

Low-Shot Learning from Imaginary Data

学习方法编程算法腾讯云测试服务分类算法神经网络

人类可以快速学习新的视觉概念，也许是因为他们可以很容易地从不同的角度想象出新的物体的样子。结合这种对新概念产生幻觉的能力，可能有助于机器视觉系统进行更好的低视角学习，也就是说，从少数例子中学习概念。我们提出了一种新的低镜头学习方法，使用这个想法。我们的方法建立在元学习(“学习学习”)的最新进展之上，通过将元学习者与产生额外训练例子的“幻觉者”结合起来，并共同优化两种模式。我们的幻觉器可以整合到各种元学习者中，并提供显著的收益:当只有一个训练示例可用时，分类精度提高了6点，在具有挑战性的ImageNet low-shot 分类基准上产生了最先进的性能。

2021-06-10

7390

Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing

神经网络机器学习深度学习人工智能学习方法

在这篇文章中，我们提出了一个端到端的网络，称为Cycle-Dehaze，为单一图像去雾问题，它配对的有雾图像和其对应的图像进行训练。也就是说，我们通过以不成对的方式加入干净和模糊的图像来训练网络。此外，所提出的方法不依赖于大气散射模型参数的估计。我们的方法通过结合循环一致性和感知损失来增强CycleGAN方法，以提高纹理信息恢复的质量，并生成视觉上更好的无雾霾图像。典型地，用于去雾的深度学习模型将低分辨率图像作为输入并产生低分辨率输出。然而，在NTIRE 2018单幅图像去雾挑战中，提供了高分辨率图像。因此，我们应用双三次降尺度。从网络获得低分辨率输出后，我们利用拉普拉斯金字塔将输出图像提升到原始分辨率。我们在NYU-Depth、, I-HAZE, and O-HAZE数据集上进行了实验。大量实验表明，该方法从定量和定性两个方面改进了CycleGAN方法。

2021-06-01

1.8K0

Generalized Few-Shot Object Detection without Forgetting

迁移学习学习方法图像识别机器学习神经网络

近年来，少样本目标检测被广泛用于处理数据有限的情况。虽然大多数以前的工作仅仅集中在少样本类别的性能上，我们声称检测所有类别是至关重要的，因为测试样本可能包含现实应用中的任何实例，这需要少样本检测器在不忘记的情况下学习新概念。通过对基于迁移学习的方法的分析，利用一些被忽略但有益的性质，设计了一种简单而有效的少样本检测器——Retentive R-CNN。它由偏置平衡的局部概率神经网络和预处理的局部概率神经网络组成，并通过重检测器在不忘记先前知识的情况下找到少量的类目标。在少拍检测基准上的大量实验表明，在所有设置中，Retentive R-CNN在整体性能上明显优于最先进的方法，因为它可以在少样本类上获得有竞争力的结果，并且根本不会降低基类的性能。我们的方法已经证明了长期期望的永不遗忘学习者在目标检测中是可用的。

2021-06-01

1.7K0

DSNet:Joint Semantic Learning for Object

图像识别机器学习神经网络人工智能学习方法

近五十年来，基于卷积神经网络的目标检测方法得到了广泛的研究，并成功地应用于许多计算机视觉应用中。然而，由于能见度低，在恶劣天气条件下检测物体仍然是一项重大挑战。在本文中，我们通过引入一种新型的双子网(DSNet)来解决雾环境下的目标检测问题。该双子网可以端到端训练并共同学习三个任务：能见度增强、目标分类和目标定位。通过包含检测子网和恢复子网两个子网，DSNet的性能得到了完全的提高。我们采用RetinaNet作为骨干网络(也称为检测子网)，负责学习分类和定位目标。恢复子网通过与检测子网共享特征提取层，采用特征恢复模块增强可见性来设计。实验结果表明我们的DSNet在合成的有雾数据集上达到了50.84%的mAP，在公开的有雾自然图像数据集上达到了41.91%的精度。性能优于许多最先进的目标检测器和除雾和检测方法之间的组合模型，同时保持高速。

2020-06-28

2.8K0

Learning to Adapt Structured Output Space for Semantic Segmentation

对语义分割来讲基于卷积神经网络的方法，依赖像素级ground-truth标记，但是对未知领域可能泛化效果并不好。因为标记过程是沉闷和耗时的，开发将源ground truth标记到目标域引起了很大的关注。本文我们提出一种对抗训练方法在语义分割的内容中进行域适配。考虑语义分割作为结构输出包含源域和目标域的空间相似性，在输出空间中，我们采用对抗训练。为了进一步增强适配模型，我们构建一个多层对抗网络，在不同特征级别上有效的执行输出空间域适配。一系列的实验和消融研究在不同域适配下进行，包括合成到真实和跨城市场景。我们表明提出的方法在精度是视觉质量方面，超过了现有的最先进的方法。

2020-05-25

1.5K0

没有更多了

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态