Оценка параметров для многочастичных моделей на основе совокупных наблюдений: последовательный сэмплер Монте-Карло на основе расстояния Вассерштейна (arXiv) Автор: Чэнь Ченг , Линьцзе Вэнь , Цзинлай Ли . Аннотация: В данной работе изучаются системы, состоящие из группы движущихся частиц. В таких системах часто некоторые важные параметры неизвестны и должны оцениваться по наблюдаемым данным. Такие проблемы оценки параметров часто можно решить с помощью байесовской схемы вывода...

Усиление сегментации видеообъектов с помощью обучения пространственно-временному соответствию (arXiv) Автор: Южун Чжан , Люлей Ли , Вэньгуань Ван , Ронг Се , Ли Сун , Вэньцзюнь Чжан . Аннотация: Текущие ведущие решения для сегментации видеообъектов (VOS) обычно следуют режиму на основе сопоставления: для каждого кадра запроса маска сегментации выводится в соответствии с ее соответствием ранее обработанным и первым аннотированным кадрам. Они просто используют контролирующие..

Введение Область статистики предоставляет нам множество инструментов, которые можно использовать для достижения цели машинного обучения — решения задачи. Это полезно не только для тренировочного набора, но и для общего обзора. Вводные понятия, такие как оценка параметров, систематическая ошибка и дисперсия, полезны для строгого разграничения идей широкого обзора, недостаточного и чрезмерного соответствия. В этом посте мы узнаем об оценках, предвзятости и дисперсии в машинном..

Переплетенный график и сеть внимания для трехмерной оценки позы человека (arXiv) Автор: Ти Ван , Хун Лю , Жунвэй Дин , Вэньхао Ли , Инсюань Ю , Ся Ли . Аннотация: Несмотря на значительный прогресс в трехмерной оценке позы человека по изображению с одного вида, предыдущие работы редко исследуют глобальные и локальные корреляции, что приводит к недостаточному изучению представлений человеческого скелета. Чтобы решить эту проблему, мы предлагаем новую сеть Interweaved Graph and..

Введение Многие модели глубокого обучения решают задачи с помощью метода градиентного спуска. Оптимизация градиентного спуска требует большого количества обучающих выборок для сходимости модели. Это лишает его формы для обучения по нескольку кадров. Мы обучаем наши модели, чтобы научиться достигать поставленной цели в общих моделях глубокого обучения . Однако люди тренируются, чтобы научиться любой цели. Существуют различные методы оптимизации, в которых особое внимание..