标签

 无监督 

相关的文章:

探索无监督手语翻译与生成、深度MSFOP、高分辨率无人机影像的道路场景解析、VAE的无监督时间序列异常检测以及MRI生成伪正常PET并采用扩散模型定位癫痫灶等相关内容。

BriefGPT - AI 论文速递 -

U$^2$MRPD:基于大规模潜在扩散模型的无监督 MRI 欠采样重建

LLDM 在自然图像上的预训练模型所含的隐性视觉知识可能适用于自然图像和医学图像。通过 U$^2$MRPD 框架,我们验证了这一假设,该框架通过 MRSampler 和 MRAdapter 使 LLDM 适用于复杂数值 MRI 图像的无监督欠采样重建,实现了比监督方法和 MRI 扩散方法更好的性能,并且具有最佳的泛化能力。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

无监督手语翻译与生成

通过无监督的神经机器翻译 (UNMT) 的成功,我们引入了一种无监督的手语翻译和生成网络 (USLNet),它能够从丰富的单模态(文本和视频)数据中学习,而不需要平行手语数据。USLNet 由两个主要组成部分组成:单模态重构模块(文本和视频),用于从相同模态的噪声版本重建输入;跨模态回译模块(文本 - 视频 - 文本和视频 - 文本 - 视频),其通过回译过程在不同模态下重建输入。与基于文本的 UNMT 中单模态回译过程不同,USLNet 面临着特征表示中的跨模态差异,其中文本和视频序列之间的长度和特征维度不匹配。我们提出了一种滑动窗口方法来解决文本与视频序列对齐的问题。据我们所知,USLNet 是首个能够以统一方式生成自然语言文本和手语视频的无监督手语翻译和生成模型。在 BBC-Oxford 手语数据集(BOBSL)和开放领域美国手语数据集 (OpenASL) 上的实验结果表明,USLNet 与有监督基线模型相比取得了竞争性的结果,表明其在手语翻译和生成方面的有效性。

通过无监督的神经机器翻译(UNMT)的成功,研究人员引入了一种无监督的手语翻译和生成网络(USLNet),该网络能够从丰富的单模态数据中学习,而不需要平行手语数据。实验结果表明,USLNet在手语翻译和生成方面取得了竞争性的结果。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

深度 MSFOP:无监督形状匹配中的多光谱滤波器算子保持的深度函数映射

我们提出了一种叫做多频谱滤波器保持(MSFOR)的新约束,用于计算功能映射,并基于此,开发了一种称为 Deep MSFOP 的高效深层功能映射架构,用于形状匹配。

本文提出了一种基于功能映射框架的学习方法,用于解决非刚性形状对应问题。该方法可以在监督或无监督的情况下进行训练,提高了模型的稳健性和精度。在多个基准数据集上取得了最新的研究成果。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

重温 VAE 的无监督时间序列异常检测:一种频率视角

我们提出了一种新的无监督异常检测方法 FCVAE,通过同时集成全局和局部频率特征,显著提高了正常数据的重构准确性,以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制,我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估,结果表明它优于最先进的方法,验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

我们提出了一种新的无监督异常检测方法FCVAE,通过集成全局和局部频率特征,提高了正常数据的重构准确性。通过“目标注意力”机制,能够更好地构建短周期趋势。在公开数据集和大规模云系统上评估,结果表明优于最先进的方法,验证了实际适用性。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

无监督高分辨率无人机影像的道路场景解析

通过使用最新的视觉语言模型和基本的计算机视觉模型,本研究介绍了一种无监督道路解析框架,用于处理超高分辨率的无人机图像,并且无需任何手动标注即可在开发数据集上达到 89.96%的 mIoU。

本文介绍了一种解决点云理解问题的通用简单框架,通过聚类方法生成聚类,并结合特征相似性学习合并过度细分的聚类,以及引导标签传播。实验证明该框架在点云理解任务中表现最佳,具有潜力应用于机器人操作和自主导航。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

双学生知识蒸馏网络用于无监督异常检测

由于数据不平衡和缺陷的多样性,学生 - 教师网络(S-T)在无监督异常检测中备受青睐,它通过知识蒸馏过程中从特征表示中探索差异来识别异常。文章通过构建新颖的双学生知识蒸馏(DSKD)架构来解决原生 S-T 网络不稳定的问题,该架构的关键在于使用两个具有相同尺度但结构相反的学生网络和一个单一预训练的教师网络。通过两种策略,即金字塔匹配模式和深度特征嵌入模块,以捕捉异常线索的高维语义信息,该架构可以增强蒸馏效果、改善正常数据的一致性识别,并同时引入多样性来表示异常,最终通过像素级异常分割图和样本判定的异常得分,实现了对三个基准数据集的评估和对内部模块的消融实验,结果显示 DSKD 在小型模型(如 ResNet18)上实现了卓越的性能,并有效改进了原生 S-T 网络。

该文章介绍了一种新颖的双学生知识蒸馏(DSKD)架构,用于无监督异常检测。该架构通过使用两个具有相同尺度但结构相反的学生网络和一个单一预训练的教师网络来解决原生 S-T 网络不稳定的问题。实验结果显示,DSKD 在小型模型上实现了卓越的性能,并有效改进了原生 S-T 网络。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

UP-CrackNet:无监督像素级道路裂缝检测与对抗性图像恢复

过去十年中,开发了自动化方法来更高效、准确和客观地检测裂缝,以替代传统的手动视觉检查技术。在这些方法中,语义分割算法在逐像素裂缝检测任务中展示了有希望的结果。然而,训练这样的数据驱动算法需要大量人工标记的带有像素级注释的数据集,这是一个高度费时费力的过程。因此,我们提出了一种无监督的逐像素道路裂缝检测网络(UP-CrackNet),通过生成多尺度正方形掩膜并从中随机选择一些,来破坏未损坏的道路图像。随后,我们训练了一种生成对抗网络,利用周围未损坏区域学到的语义上下文来恢复破坏的区域。在测试阶段,通过计算输入图像和恢复图像之间的差异生成误差图,从而实现逐像素裂缝检测。我们全面的实验结果表明,UP-CrackNet 在超出普遍用途的无监督异常检测算法之上,表现出可比或更好的性能和卓越的泛化能力,当与最先进的监督裂缝分割算法进行比较时。我们的源代码公开在 mias.group/UP-CrackNet。

过去十年中,开发了自动化方法来更高效、准确和客观地检测裂缝。UP-CrackNet是一种无监督的逐像素道路裂缝检测网络,通过生成多尺度正方形掩膜并从中随机选择一些,来破坏未损坏的道路图像。通过计算输入图像和恢复图像之间的差异生成误差图,实现逐像素裂缝检测。UP-CrackNet表现出可比或更好的性能和卓越的泛化能力。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

McUDI: 模型中心化无监督退化指示器用于故障预测 AIOps 解决方案

本文介绍了一种模型中心的无监督退化指标 (McUDI),能够检测 AIOps 模型由于数据变化而需要重训练的确切时刻,并展示了在 AIOps 解决方案的维护流程中使用 McUDI 可以减少需要注释的样本数量,对于作业故障预测减少了 30k 个样本,对于磁盘故障预测减少了 260k 个样本,同时获得与定期重新训练相似的性能。

该研究发现,无监督离群检测方法在大规模评估中无法一致优于基于预训练特征和Mahalanobis距离的简单异常检测器。研究提出了一种新的无监督离群检测特征描述,并应用于MahaAD方法,解释了其质量并提供了未来评估的见解。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

基于骨架的动作识别的无监督空间时间特征增强与保真网络

通过研究 unsupervised learning 在基于骨骼的动作识别中的过拟合问题,本文提出了 Unsupervised spatial-temporal Feature Enrichment and Fidelity Preservation framework (U-FEFP) 以生成丰富的分布式特征,包含骨骼序列的所有信息,并通过 t-SNE 图验证了 U-FEFP 在 unsupervised skeleton based action recognition 上学到了更有辨识力的特征。

该研究提出了一种新的无监督骨架动作识别系统,使用编码器-解码器递归神经网络。该系统能够在没有标签或深度输入的情况下识别身体关键点的移动,并且在与其他无监督骨架方法的比较中表现出更好的性能。

相关推荐 去reddit讨论

热榜 Top10

...
LigaAI
...
白鲸技术栈
...
观测云
...
天勤数据
...
Dify.AI
...
ShowMeBug
...
eolink

推荐或自荐