XiaoMi-AI文件搜索系统
World File Search Systempropose
用于行人重新识别的分层双向特征感知网络
先前的行人重新识别 (Re-ID) 模型旨在关注图像中最具辨别力的区域，而当由于相机视点变化或遮挡导致该区域缺失时，其性能可能会受到影响。为了解决这个问题，我们提出了一种名为分层双向特征感知网络 (HBFP-Net) 的新模型来关联多级信息并相互加强。首先，通过低秩双线性池化建模跨级特征对的相关图。然后，基于相关图，采用双向特征感知 (BFP) 模块来丰富高级特征的注意区域，并学习低级特征中的抽象和特定信息。然后，我们提出了一种新颖的端到端分层网络，该网络集成了多级增强特征，并将增强的低级和中级特征输入到后续层以重新训练新的强大网络。更重要的是，我们提出了一种新的可训练广义池化，它可以动态选择特征图中所有位置的任意值进行激活。在包括 Market-1501、CUHK03 和 DukeMTMC-ReID 在内的主流评估数据集上进行的大量实验表明，我们的方法优于最近的 SOTA Re-ID 模型。
环境保护部
• 提议使用植被和/或可生物降解稳定材料来稳定海岸线的大多数申请人将符合 PBR 的资格。 • 提议安装硬化稳定结构（或改造现有结构）的申请人将比现在更多，但项目通常会受到比现在更高的标准约束。 • 当申请人提议安装不符合 PBR 资格的硬化稳定结构（或改造现有结构）时，该部门第 310 章规则中将有更明确的要求，用于管理此类项目的申请要求和标准。 • 在某些相对较少的情况下，不符合 PBR 资格的硬化稳定结构也将明确不符合个人许可的资格，因为提议项目的收益不足以抵消其影响。换句话说，规则将澄清项目被发现具有不合理影响的情况。具体而言，如果硬化稳定结构不符合 PBR 的条件，则它必须提供保护以下之一的好处：1) 依赖水的结构，2) 位于靠近海岸线（100 英尺以内）且无法向后移动的现有非依赖水的结构，3) 公众使用的开放空间，4) 农田，或 5) 公共健康或安全。
将视觉原型与 BERT 嵌入对齐以进行少量...
少量学习 (FSL) 是从少量训练示例中学习识别以前未见过的图像类别的任务。这是一项具有挑战性的任务，因为可用的示例可能不足以明确确定哪些视觉特征最能体现所考虑类别的特征。为了缓解这个问题，我们提出了一种额外考虑图像类别名称的方法。虽然之前的工作已经探索过类名的使用，但我们的方法在两个关键方面有所不同。首先，虽然之前的工作旨在直接从词嵌入中预测视觉原型，但我们发现通过分别处理视觉和基于文本的原型可以获得更好的结果。其次，我们提出了一种使用 BERT 语言模型学习类名嵌入的简单策略，我们发现该策略大大优于之前工作中使用的 GloVe 向量。此外，我们提出了一种处理这些向量高维性的策略，该策略受到跨语言词嵌入对齐模型的启发。我们对 miniImageNet、CUB 和 tieredImageNet 进行了实验，结果表明我们的方法能够持续提高基于度量的 FSL 的最新水平。
通过多级域对齐实现通用的睡眠分期
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有方法依赖于一个特定的数据集，并且仅限于推广到其他看不见的数据集，这些数据集的训练数据和测试数据来自同一数据集。在本文中，我们将领域泛化引入自动睡眠分期并提出可泛化的睡眠分期任务，旨在提高模型对看不见的数据集的泛化能力。受现有领域泛化方法的启发，我们采用特征对齐的思想并提出一个名为 SleepDG 的框架来解决它。考虑到局部显着特征和序列特征对于睡眠分期都很重要，我们提出了一种结合时代级和序列级特征对齐的多级特征对齐来学习领域不变的特征表示。具体来说，我们设计了一个 Epoch 级特征对齐来对齐不同域之间每个单个睡眠时期的特征分布，并设计了一个 Sequence 级特征对齐来最小化不同域之间序列特征的差异。SleepDG 在五个公共数据集上进行了验证，实现了最先进的性能。
feddrl：值得信赖的联合学习模型融合方法...
摘要。联合学习促进了多个参与者之间的协作数据分析，同时保留用户隐私。但是，常规联合学习方法通常采用加权平均技术来进行模型融合，面临两个重要的挑战：1。将恶意模型纳入福音过程会大大破坏汇总全局模型的准确性。2。由于设备和数据的异质性问题，客户端的数量不能确定模型的重量值。为了解决这些挑战，我们提出了一种基于强化学习（FEDDRL）的值得信赖的模型融合方法，其中包括两个阶段。在第一个阶段，我们提出了一种可靠的客户选择机制，以将恶意模型排除在融合过程中。在第二阶段，我们提出了一种自适应模型融合方法，该方法根据模型质量动态分配权重以汇总最佳的全局模型。最后，我们在五个不同的模型融合场景上验证了我们的方法，这表明我们的算法显着增强了可靠性，而不会损害任何认可。
feddrl：值得信赖的联合学习模型融合方法...
摘要。联合学习促进了多个参与者之间的协作数据分析，同时保留用户隐私。但是，常规联合学习方法通常采用加权平均技术来进行模型融合，面临两个重要的挑战：1。将恶意模型纳入福音过程会大大破坏汇总全局模型的准确性。2。由于设备和数据的异质性问题，客户端的数量不能确定模型的重量值。为了解决这些挑战，我们提出了一种基于强化学习（FEDDRL）的值得信赖的模型融合方法，其中包括两个阶段。在第一个阶段，我们提出了一种可靠的客户选择机制，以将恶意模型排除在融合过程中。在第二阶段，我们提出了一种自适应模型融合方法，该方法根据模型质量动态分配权重以汇总最佳的全局模型。最后，我们在五个不同的模型融合场景上验证了我们的方法，这表明我们的算法显着增强了可靠性，而不会损害任何认可。
通过早停...
摘要 - 在本文中，我们提出了一种基于蒙特卡洛的增强特征选择（MCRFS）方法，以及两种效率改进策略，即早期停止（ES）策略和奖励级别互动（RI）策略。功能选择是数据预科技术中最重要的技术之一，旨在为给定的下游机器学习任务找到最佳特征子集。已进行了巨大的研究，以提高其有效性和效率。最近，多代理增强功能选择（MARFS）在改善特征选择的性能方面取得了巨大的成功。但是，Marfs承受着构成成本的沉重负担，这极大地限制了其在现实情况下的应用。在本文中，我们提出了一种有效的增强功能选择方法，该方法使用一种代理来遍历整个功能集，并决定选择或不选择每个功能。特别是，我们首先制定一种行为策略，并使用它来穿越功能集并生成培训数据。然后，我们根据培训数据评估目标策略，并通过Bellman方程来改善目标政策。此外，我们以渐进的方式进行了重要性采样，并提出了一种早期停止策略，以通过删除偏斜数据来提高训练效率。在早期停止策略中，行为策略停止以与重要性抽样重量成反比的概率相反。此外，我们提出了一种奖励级别的互动策略，以通过奖励级别的外部建议来提高培训效率。最后，我们在现实世界数据上设计了广泛的实验，以证明该方法的优越性。