智东西 为华为云EI服务构建竞争力，华为视觉34篇论文入围计算机视觉顶会( 二 )
[数据挖掘]Noise-awareFullyWeblySupervisedObjectDetection
文章图片
本文提出了一个新的训练物体检测器的方法 ， 它仅需要网上图像级别的标签 ， 而无需任何其它的监督信息 。 这是一项极具挑战的任务 ， 因为网络上的图像级标签噪声极大 ， 会导致训练出来的检测器性能很差 。 我们提出了一个端到端的框架 ， 它能在训练检测器的同时减少有噪标签的负面影响 ， 其中的结合弱监督检测的残差学习结构能将背景噪声分解并为干净数据建模 。 此外 ， 我们提出的Bagging-Mixup学习方案可以抑制来自错误标注图像的噪声 ， 同时保持训练数据的多样性 。 我们利用在照片共享网站的搜索获得的图像训练检测器 ， 在流行的基准数据集上进行评估 。 大量的实验表明 ， 我们的方法明显优于现有的方法 。
[数据挖掘]GraduallyVanishingBridgeforAdversarialDomainAdaptation
文章图片
在无监督的领域适应中 ， 丰富的领域特性给学习领域不变特征带来了巨大挑战 。 但是 ， 在现有解决方案中 ， 领域差异被直接最小化 ， 在实际情况中难以实现较好的差异消除 。 一些方法通过对特征中对领域不变部分和领域专属部分进行显式建模来减轻难度 ， 但是这种显式构造的方法在所构造的领域不变特征中容易残留领域专属特征 。 本文在生成器和鉴别器上都使用了减弱式桥梁（GVB）机制 。 在生成器上 ， GVB不仅可以降低总体迁移难度 ， 而且可以减少领域不变特征中残留的领域专属特征的影响 。 在鉴别器上 ， GVB有助于增强鉴别能力 ， 并平衡对抗训练过程 。 三个具有挑战性的数据集上的实验表明 ， GVB方法优于强大的竞争对手 ， 并且可以与其他领域适应的对抗方法实现很好地协作 。 这一项目已经开源：https://github.com/cuishuhao/GVB 。
【智东西 为华为云EI服务构建竞争力，华为视觉34篇论文入围计算机视觉顶会】[模型优化]SP-NAS:Serial-to-ParallelBackboneSearchforObjectDetection
文章图片
推荐阅读
- 日本推出在车里体验鬼屋服务发生什么事了？日本推出在车里体验鬼屋服务令人震惊
- 柠檬少年|，批发单请参考 7-1，华为，OV，苹果，小米
- 健康plus|因一根鱼刺他差点错失高考！医生：这几种东西先别给考生吃了
- 华为Mate30美科技界：华为再强大也只是一家民企，我们究竟在怕什么？
- 驱动中国无缘屏下摄像头！华为Mate 40系列爆料：双曲面设计
- |姐姐说，你头上不能没有这东西
- 『华为』原本希望5G能连接世界，它反而让我们分道扬镳
- 「华为」华为大跳水，麒麟990+8GB+128GB，5G旗舰机从3799跌至2199
- 新华网|“把红包落到每个企业身上”——从各地办税服务厅看减负
- 市党建服务中心|担当使命，勇毅逆行丨“怎么解决最后一公里的问题”——张军萍