type
status
date
slug
summary
tags
category
icon
password
Last edited time
Oct 20, 2024 04:42 PM
研究背景 即时性进化 持续性进化 推理链进化 特色数据构建
讲者简介:
张艳宁,女,西北工业大学教授,校长助理,国家级人才,国防973项目首席。长期致力于图像处理、模式识别、计算机视觉与智能信息处理等的研究,并与航天、航空等方面的国家重大需求相结合。获国家教学成果二等奖1项、省部级科技进步奖3项,曾获全国三八红旗手称号和总装863科技攻关先进个人。
先后承担国防973项目、国家自然科学基金重点项目、国家/国防863、总装预研等国家级项目40余项。在IEEE TPAMI、IEEE TIP、PR、IEEE TSMC-B、Info. Fusion、CVPR、ICCV等国内外本领域权威期刊和重要国际会议上发表论文百余篇。研究成果被多个国家级重大工程攻关项目采用,成功应用于航天、航空、能源、水利等行业的20余家单位。 获国家/国防授权发明专利50余项,陕西省科技进步一等奖一项,国防技术发明一等奖一项,出版专著3部。
📝 主旨内容
研究背景
三重脑模型三种进化对应“本能 感性 理性”
即时性进化
传统机器学习每个对象独立优化需要速度慢,需要大量数据。元学习框架对不同对象分别微调,鲁棒性差
前向计算:进化和适应过程压缩成一个网络的前向计算,避免复杂的梯度计算
我们知道网络神经网络一个特性,就是它是一个特别好的映射的离合器。那我们为什么不用一个另外一个网络去做从数据到参数这样的一个映射呢?如果我是这样做的话,那整个我们的进化格式是进化适应或者叫学习过程,就被压缩成为一个网络的前向计算的有效性反应。通过了避免复杂梯度性计算。这样的话可以做到一次全面及时进化,那这样的话整个进化效率就得到提升,并且它还有一些是其他一些好处,我加入了新的网络,或者不如把它称之为网络这个超网络和互联网络。这两者可以共同构成一个可微的一个整体的系统。也可以进行端到端的训练。所以说对从训练角度讲,并不会增加太多的复杂度,同时它的五光性、适应速度、灵活性相对来说比较好。
不同个体类别数据→Encoder→可向未知类进行泛化的这样的一个表征→Decoder→主模型的这个部分的参数
新问题:跨类别目标重识别
行人重识别(Person Re-identification)也称行人再识别,简称为ReID,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。
比如说一些稀有动物,我可能非常关心它的重识别的算法。因为我要去估算种群的数量,但是我没有合格的,没有办法收集到这么多的。这个它本身就是稀有,对吧?所以我没有办法收集到这个类别的数据,这怎么办呢?我们有没有可能做到跨类别的目标重识别。就是我在训练的时候用到的是一些动物的类别,但是在测试的时候,是换成新的这个动物的类别,新的这个未见的部分的内容。于是乎就是产生了这样的一个任务。
持续性进化
推理链进化
特色数据构建
🤗 总结归纳
📎 参考文章
- 作者:ziuch
- 链接:https://ziuch.com/article/Autonomous-evolution-of-unmanned-mobile-platforms?target=comment
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。
相关文章