江苏龙网

  1. 首页 > 人文 > >

「爱因儿科技」场顶会直播全在这里了，四月，18( 二 )


直播主题：ICLR2020丨通过负采样从专家数据中学习自我纠正的策略和价值函数
主讲人：罗雨屏
直播时间：4月24日
回放链接：http://mooc.yanxishe.com/open/course/802
内容介绍：
模仿学习(imitationlearning）初始化后再强化学习是一个能节约样本的解决复杂的控制任务的方法 。 然而从样例数据中学习会有一个严重的问题：协变量偏差 ， 这会让学到的策略有复合误差 。 我们引入了保守推断价值函数这个概念 ， 能保证得到一个自纠正的策略 。 我们设计了一个算法：负采样价值迭代 ， 能够有效学出这样能保守推断的价值函数 。 负采样价值迭代能够在机器人模拟环境中纠正行为克隆策略的错误 。 我们还提出了一个算法 ， 用负采样价值迭代来初始化强化学习 ， 该算法对比之前的算法 ， 样本效率有了明显的提升 。
直播主题：ICLR2020丨从梯度信噪比来理解深度学习泛化性能为什么这么好
主讲人：刘锦龙
直播时间：4月30日
回放链接：http://mooc.yanxishe.com/open/course/803
内容介绍：
泛化性能问题是深度学习的一个基础理论问题 ， 传统的泛化理论在解释深度学习的泛化性能上遇到困难 。 本文中提出一个全新的角度来理解深度学习的泛化性能问题 。
CVPR2020
直播主题：实体机器人导航中可迁移的元技能的无监督强化学习
主讲人：李俊成
直播时间：4月9日
回放链接：http://www.mooc.ai/open/course/766
内容介绍：视觉导航任务要求智能体能够智能地导航到指定的目标 。 当前基于深度强化学习的方法往往需要大量的训练数据 ， 而构建丰富的3D仿真环境以及提供任务相关标注是十分昂贵的 。 本文关注于在低资源的设定下完成视觉导航任务 。 本文通过提出无监督强化学习方法来获得具有迁移能力的子策略 ， 使得模型能够快速迁移到视觉导航任务 。 在AI2-THOR环境中 ， 我们的方法实现了最佳的性能 ， 进一步的实验分析证明我们的方法学习到了一些具备迁移能力的元技能 ， 从而帮助模型实现更好的泛化 。
直播主题：PolarMask:一阶段实例分割新思路
主讲人：谢恩泽
直播时间：4月10日
回放链接：http://www.mooc.ai/open/course/789
内容介绍：
实例分割是计算机视觉中一个比较基础但是比较硬的问题 ， 之前的方法高度依赖物体检测的结果来做实例分割 ， 如MaskR-CNN 。 实例分割如何摆脱检测框的束缚仍然是一个没有被很好解决的问题 。 本次分享中 ， 将主要介绍我们在这个问题的探索：PolarMask:SingleShotInstanceSegmentationwithPolarRepresentation 。 其中我们提出了一种一阶段的实例分割方法 ， 摆脱了检测框的限制 ， 其次我们的方法并不像传统分割方法对图中逐像素分类 ， 而是通过轮廓建模的方式做实例分割 。 此外 ， 我们还提出了两种改进手段来持续提高性能 。 总而言之 ， 这篇文章提出了一种新型的一阶段的 ， 基于轮廓出发的实例分割方法 。
直播主题：SGAS：一种基于贪心思想的网络结构搜索算法 ， 同时支持CNN和GCN网络结构搜索
主讲人：李国豪
直播时间：4月22日
回放链接：http://mooc.yanxishe.com/open/course/800
内容介绍：
在一般网络结构搜索的算法里常常发生搜索阶段表现得很好的（超)网络在最后进行重新训练评估性能时表现得相当较差的现象 ， 这种情况的发生主要是搜索算法在搜索阶段没法很好地反应模型最终评估阶段的真正性能 ， 本工作提出一种顺序贪心决策的搜索算法减轻了模型性能排名不一致的问题 ， 同时支持CNN和GCN的网络结构搜索 ， 并应用到了CNN图像分类 ， GCN点云分类和GCN生物图数据节点分类上 。
直播主题：数据与模型缺陷：不完美场景下的神经网络训练方法
主讲人：Louis
直播时间：4月28日


推荐阅读


上一篇：『越南』越南“封杀”中国的代价来了

下一篇：「每日科技果粉」| 张正友忆华人计算机视觉宗师 Thomas S. Huang，追寻大师的脚步