标签

 无监督 

相关的文章:

探索利用生成模型对无监督概念为基础的可解释网络进行重新设计的方法,实现对开放词汇的实例分割和无监督全景重建等任务的无监督领域自适应。

登Science,药物亲和力增加37倍,AI对蛋白、抗体复合物进行无监督优化

原文约2000字,阅读约需5分钟。发表于:

斯坦福大学科学家开发了一种基于机器学习的新方法,能够更快、更准确地预测导致更好抗体药物的分子变化。他们结合了蛋白质骨架的3D结构和基于氨基酸序列的大型语言模型,在几分钟内找到罕见且理想的突变。这种方法有助于应对新出现或正在发展的疾病,并降低了制造更有效药物的门槛。

登Science,药物亲和力增加37倍,AI对蛋白、抗体复合物进行无监督优化
相关推荐 去reddit讨论
相关推荐 去reddit讨论

SCPNet: 通过内部单模自主学习实现无监督的跨模态单应性估计

原文约400字,阅读约需1分钟。发表于:

提出了一种基于自监督学习、相关性和一致特征映射投影的新型无监督跨模态单应性估计框架 SCPNet,SCPNet 是第一个在 GoogleMap 数据集上实现有效无监督单应性估计的模型,在 128x128 的图像上,相对于有监督方法 MHN,在 [-32, +32] 偏移下的平均角点误差 (MACE) 上表现提高了 14.0%。在几个跨模态 / 光谱和手工不一致的数据集上,SCPNet...

SCPNet是一种新型的无监督跨模态单应性估计框架,通过自监督学习和特征映射投影实现。在GoogleMap数据集上,SCPNet相对于有监督方法MHN在128x128图像上的平均角点误差(MACE)提高了14.0%。在其他跨模态/光谱和手工不一致的数据集上,SCPNet的性能优于其他无监督方法,MACE相比有监督方法MHN降低了49.0%、25.2%、36.4%和10.7%。

相关推荐 去reddit讨论

接近外部:从 2D 场景扩展无监督的 3D 物体检测

原文约400字,阅读约需1分钟。发表于:

该论文介绍一种新的 LiDAR-2D 自适应学习 (LiSe) 方法,通过融合 LiDAR 数据和 2D 图像,采用自适应采样和弱模型聚合策略,实现了在无监督的三维检测任务中对对象的准确检测,通过实验评估验证了 LiSe 方法的有效性。

本文介绍了一种在自动驾驶场景中进行无监督对象检测的方法,通过点聚类、时间一致性、CNN 的平移等性质以及自我监督来改进算法。新的规划感知度量更好地衡量模型在自动驾驶场景中的性能。在数据集上展示了该方法优于无监督基线的性能,证明了自我监督与对象先验相结合的潜力。

相关推荐 去reddit讨论

D-MASTER:乳腺癌乳房 X 光片无监督领域自适应的掩码退火变压器

原文约400字,阅读约需1分钟。发表于:

我们介绍了一种基于 Transformer 的领域不变蒙版退火学生教师自编码器 (D-MASTER) 框架,用于乳腺癌检测的领域适应问题,实验证明 D-MASTER 在多个数据集上的性能明显提高。

本研究提出了一种无监督领域适应方法,用于自动生成乳腺超声成像中乳腺病变感兴趣区域(ROIs)的图像掩膜。该方法通过迭代改进生成私人未标记乳腺超声数据集的伪掩膜,提高了分类模型的解释性和诊断的效果和可靠性。

相关推荐 去reddit讨论

UnmixingSR:面向高光谱图像超分辨率的材料感知网络与无监督分解辅助任务

原文约200字,阅读约需1分钟。发表于:

本研究提出了一种名为 UnmixingSR 的组件感知高光谱图像超分辨网络,利用无监督学习来感知高光谱图像的材料成分,并通过探索低分辨率和高分辨率丰度之间的约束来提高方法在解决超分辨问题时的稳定性。实验证明,将无监督感知过程作为辅助任务嵌入超分辨问题是可行和有效的。

本研究提出了一种名为UnmixingSR的高光谱图像超分辨网络,利用无监督学习感知材料成分并提高解决超分辨问题的稳定性。实验证明,将无监督感知作为辅助任务嵌入超分辨问题是可行和有效的。

相关推荐 去reddit讨论
相关推荐 去reddit讨论

一对一 Pairwise DomMix 注意力对抗网络用于无监督领域自适应目标检测

原文约300字,阅读约需1分钟。发表于:

提出了一种具有双向注意力对抗网络和域混合模块 (DomMix) 的无监督域自适应目标检测方法,以缓解大规模领域变化时单向域转移的缺点,并在多个基准数据集上进行了广泛的实验,证明了该方法的优越性。

本文介绍了US-DAF方法,用于解决通用域自适应目标检测中的负迁移问题。该方法通过过滤机制模块促进公共类的特征对齐,并引入多标签尺度适应器进行个体对齐。实验证明该方法在三种场景下均达到最先进的结果,并在两个基准数据集上获得了相对改进。

相关推荐 去reddit讨论

HC-GLAD:双超边对比学习用于无监督图层次异常检测

原文约300字,阅读约需1分钟。发表于:

无监督图层级异常检测方法中,本文提出了一种新颖的双双曲对比学习方法(HC-GLAD),通过构建基于 gold motifs 的超图,并在双曲空间中进行图和超图嵌入学习,实现了对节点组连接、超图以及真实世界图层次的保留,并在多个真实世界数据集上进行了广泛实验,证明了 HC-GLAD 在图层级异常检测任务中的优越性。

近年来,无监督的图级异常检测和离群检测备受关注。提出了一个统一的基准和评估框架,包含35个数据集和16种代表性的方法。通过多维分析,探索了现有方法的有效性、泛化能力、鲁棒性和效率,并提供了开源代码库和未来研究的潜在方向。

相关推荐 去reddit讨论

利用开放词汇的实例分割实现无监督全景重建

原文约200字,阅读约需1分钟。发表于:

从场景的 RGB-D 图像中,我们提出了一种零样本全景重建方法,该方法利用开放词汇实例分割并利用密集广义特征传播部分标签和构建 3D 实例图进行关联来解决场景的全景分割和实例关联挑战。

本文介绍了一种新型的单次全景分割网络,采用密集检测和全局自注意力机制,并使用参数自由的掩码构建方法,提高了计算效率和实时性能,在 Cityscapes 和 COCO 基准测试中表现出色。

相关推荐 去reddit讨论