OpenCV Overview: General Image Processing Functions. Machine Learning: Detection,; Recognition. Segmentation. Tracking. Matrix Math.

Charles发布于2011/01/20 00:02

注脚

user picture
  • Charles
  • Apparently, this user prefers to keep an air of mystery about them.

相关Slides

  • 机器学习的公平性主要在静态分类设置中进行研究,而不关心决策如何随着时间的推移改变基础人口。传统观点认为,公平标准可以促进他们旨在保护的群体的长期福祉。 我们研究静态合理标准如何与幸福的时间指标相互作用,例如利益变量长期改善、停滞和衰退。我们证明,即使在一步反馈模型中,共同的公平标准通常也不会促进随着时间的推移而改善,并且实际上可能在无约束的目标不会导致损害的情况下造成伤害。我们完整的描述了三个标准规则的延迟影响,对比了这些标准表现出在质量上不同的行为。此外,我们发现,自然形式的测量误差扩大了公平标准有利地发挥作用的范围。 我们的结果强调了测量和时间建模在评估公平标准中的重要性,提出了一系列新的挑战和权衡取舍。

  • 我们探索建立流行的强化学习环境的生成神经网络模型。我们的世界模型可以以无人监督的方式快速训练,以学习环境的压缩空间和时间表示。通过使用从世界模型中提取的特征作为代理的输入,我们可以训练一个非常紧凑和简单的策略,可以解决所需的任务。我们甚至可以完全根据其世界模型产生的幻觉梦想训练我们的代理人,并将此政策转回实际环境。

  • 视觉任务之间是否有关系,或者它们是否无关?例如,表面法线可以简化估算图像的深度吗?直觉回答了这些问题,暗示了视觉任务中存在结构。了解这种结构具有显著的价值;它是传递学习的基本概念,并提供了一种原则性的方法来识别任务之间的冗余,例如,无缝地重用相关任务之间的监督或在一个系统中解决许多任务而不会增加复杂性。 我们提出了一种完全计算的方法来建模视觉任务的空间结构。这是通过在隐空间中的二十六个2D,2.5D,3D和语义任务的字典中查找(一阶和更高阶)传递学习依赖性来完成的。该产品是用于任务迁移学习的计算分类地图。我们研究了这种结构的后果,例如:非平凡的关系,并利用它们来减少对标签数据的需求。例如,我们表明,解决一组10个任务所需的标记数据点总数可以减少大约2/3(与独立训练相比),同时保持性能几乎相同。我们提供了一套用于计算和探测这种分类结构的工具,包括用户可以用来为其用例设计有效监督策略。

  • 尽管最近在生成图像建模方面取得了进展,但是从像ImageNet这样的复杂数据集中成功生成高分辨率,多样化的样本仍然是一个难以实现的目标。为此,我们以最大规模训练了生成性对抗网络,并研究了这种规模所特有的不稳定性。我们发现将正交正则化应用于生成器使得它适合于简单的“截断技巧”,允许通过截断潜在空间来精确控制样本保真度和多样性之间的权衡。我们的修改导致模型在类条件图像合成中达到了新的技术水平。当我们在ImageNet上以128×128分辨率进行训练时,我们的模型(BigGAN)的初始得分(IS)为166.3,Frechet初始距离(FID)为9.6,比之前的最优IS为52.52,FID为18.65有了显著的提升。