每日论文 | 高效推理框架VBMC;深度学习在图像去噪中的应用总结;元学习应用总结

2018 年 10 月 15 日 论智
每日论文 | 高效推理框架VBMC;深度学习在图像去噪中的应用总结;元学习应用总结

1

Variational Bayesian Monte Carlo

计算机科学和机器学习中的很多模型都有“黑箱”特征,可能无法使用常规的方法进行贝叶斯推理,例如MCMC,需要了解梯度或进行大量可能性评估。在这篇论文中,我们提出了一种新型的高效采样的推理框架,称为Variational Bayesian Monte Carlo(VBMC),结合了基于高斯过程的变分推理和动态采样贝叶斯求积法。我们的方法产生了后验分布的非参数近似和模型证据的近似下限,对模型的选择非常有用。

地址:https://arxiv.org/abs/1810.05558

2

Deep Learning for Image Denoising:A Survey

在这篇论文中,我们总结了近些年,深度学习技术在图像去噪中的应用技术。另外,我们还系统地分析了传统用于图像去噪的机器学习技术。最后,我们为深度学习在去噪上未来的应用指明了方向。

地址:https://arxiv.org/abs/1810.05052

3

Meta-Learning:A Survey

元学习是系统观察机器学习方法有何不同的科学方法,它是机器学习以及神经架构设计中重要的组成因素。这篇论文同样是总结类型的文章,回顾了目前该领域最先进的元学习算法。

地址:https://arxiv.org/abs/1810.03548

登录查看更多
3

相关内容

【简介】在智能交通系统中交通预测扮演着重要的角色。精准的交通预测有助于优化通行路线,指导车辆调度,缓解交通拥堵。由于道路网络中不同区域之间复杂且动态的时空依赖关系,这一问题具有很大挑战性。最近几年,有大量的研究工作推进了这一领域的发展,提高了交通系统预测交通的能力。这篇论文对于近些年的交通预测发展提供了一个全面的综述。具体来说,我们对目前的交通预测方法进行了总结,并且对它们进行了分类。然后,我们列举了应用交通预测的常见领域,以及这些应用任务的最新进展。同时,我们也收集和整理了几个相关的公共数据集,并分别在两个数据集上通过对相关的交通预测方法的表现进行了评估。最后,我们对这一领域未来的发展方向进行了探讨。

成为VIP会员查看完整内容
0
69

简介:

深度学习技术在图像降噪方面获得了极大的关注。但是,处理噪声的不同类型的学习方法有很大的差异。具体来说,基于深度学习的判别式学习可以很好地解决高斯噪声。基于深度学习的优化模型方法对真实噪声的估计有很好的效果。迄今为止,很少有相关研究来总结用于图像去噪的不同深度学习技术。在本文中,作者对图像去噪中不同深度技术进行了比较研究。我们首先对(1)用于加白噪声图像的深卷积神经网络(CNN),(2)用于真实噪声图像的深CNN,(3)用于盲目去噪的深CNN和(4)用于混合噪声图像的深CNN进行分类,这是噪声,模糊和低分辨率图像的组合。然后,又分析了不同类型的深度学习方法的动机和原理。接下来,将在定量和定性分析方面比较和验证公共去噪数据集的最新方法。最后,论文指出了一些潜在的挑战和未来研究的方向。

简要内容:

图像去噪的深度学习方法的基础框架:

  • 机器学习方法
  • 神经网络方法
  • 卷积神经网络方法

图像去噪中的深度学习技术:

  • 用于加白噪声图像的深卷积神经网络
  • 深度学习技术可实现真正的噪点图像降噪
  • 盲降噪的深度学习技术
  • 深度学习技术用于混合噪声图像去噪
成为VIP会员查看完整内容
0
46

异常检测是一个在各个研究领域和应用领域内得到广泛研究的重要问题。本研究的目的有两个方面:首先,我们对基于深度学习的异常检测的研究方法进行了系统全面的综述。此外,我们还回顾了这些方法对不同应用领域异常的应用,并评估了它们的有效性。我们根据所采用的基本假设和方法,将最先进的研究技术分为不同的类别。在每一类中,我们概述了基本的异常检测技术,以及它的变体,并给出了关键的假设,以区分正常行为和异常行为。对于我们介绍的每一类技术,我们还介绍了它们的优点和局限性,并讨论了这些技术在实际应用领域中的计算复杂性。最后,我们概述了研究中的未决问题和采用这些技术时所面临的挑战。

成为VIP会员查看完整内容
20190114-DEEP LEARNING FOR ANOMALY DETECTION A SURVEY.pdf
0
130
小贴士
相关VIP内容
专知会员服务
162+阅读 · 2020年5月8日
专知会员服务
79+阅读 · 2020年4月25日
专知会员服务
69+阅读 · 2020年4月23日
专知会员服务
78+阅读 · 2020年2月27日
专知会员服务
123+阅读 · 2020年1月23日
专知会员服务
198+阅读 · 2020年1月1日
相关论文
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
40+阅读 · 2020年7月2日
A survey on deep hashing for image retrieval
Xiaopeng Zhang
10+阅读 · 2020年6月10日
Deep Learning for Energy Markets
Michael Polson,Vadim Sokolov
4+阅读 · 2019年4月10日
Antreas Antoniou,Harrison Edwards,Amos Storkey
17+阅读 · 2019年3月5日
Claudio Gambella,Bissan Ghaddar,Joe Naoum-Sawaya
7+阅读 · 2019年1月16日
Stefan Constantin,Jan Niehues,Alex Waibel
3+阅读 · 2018年12月17日
Chunwei Tian,Yong Xu,Lunke Fei,Ke Yan
3+阅读 · 2018年10月11日
Joaquin Vanschoren
109+阅读 · 2018年10月8日
Mathijs Schuurmans,Maxim Berman,Matthew B. Blaschko
5+阅读 · 2018年6月7日
Zhaofan Qiu,Yingwei Pan,Ting Yao,Tao Mei
5+阅读 · 2018年4月23日
Top