- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
多目标的强化学习教程
1 https://flyyufelix.github.io/2017/11/17/direct-future-prediction.html Direct Future Prediction - Supervised
47110发布于 2018-07-24 - 来自专栏智能算法
【深度学习】深度多目标跟踪算法综述
如何扩展深度学习在行人重识别问题中的研究成果到多目标跟踪领域，研究适用于多目标跟踪问题的深度学习算法是具有挑战性的问题。 图3：按照深度学习目标和应用对基于深度学习的多目标跟踪算法进行分类。 利用深度神经网络学习目标检测的表观特征是简单有效的提升多目标跟踪算法的方法。 如图11，空间关注模型用于生成遮挡发生时的特征权重，当候选检测特征加权之后，通过分类器进行选择得到估计的目标跟踪结果，时间关注模型加权历史样本和当前样本，从而得到加权的损失函数，用于在线更新目标模型。 图11：用于遮挡判别的STAM模型框架，采用空间注意模型加权检测结果的特征，通过历史样本、以及围绕当前跟踪结果采集的正、负样本，来在线更新目标模型。 4、基于深度学习的视觉多目标跟踪算法讨论 上文我们讨论了视觉多目标跟踪领域中，深度学习算法近年来的发展。
2.4K21发布于 2018-11-23 - 来自专栏小小挖掘机
多目标学习在推荐系统中的应用
这些概率实际上就是模型要学习的目标，多种目标综合起来，包括阅读、点赞、收藏、分享等等一系列的行为，归纳到一个模型里面进行学习，这就是推荐系统的多目标学习。 做推荐算法肯定绕不开多目标。 因此，也可以直接预测物品两两之间相对顺序的问题（pair-wise）来解决多目标学习的问题，常用的算法比如 BPR，还可以预测物品序列之间的得分情况（list-wise） 来解决多目标学习的问题。 在这个学习任务下，如果去共享底层网络参数的话，可能会造成底层的每个目标都能学习一点，但是每个目标学习的都不够充分，这是多目标学习系统实现的一个难点。 -vkyhM_w （11）BIGO BIGO | 内容流多目标排序优化，地址：https://mp.weixin.qq.com/s/3AMW-vUr2S9FBSDUr_JhpA 10. _cA 推荐多目标进阶之自适应权重学习 - billlee的文章 - 知乎 https://zhuanlan.zhihu.com/p/238125972 多目标学习之自适应权重学习进阶 - billlee
4.3K43发布于 2020-11-09 - 来自专栏机器学习与推荐算法
多目标推荐场景下的深度学习实践
本文将以58同城首页猜你喜欢为例，将具体介绍实践多业务融合推荐场景下的深度学习模型应用，以及相关的工程实践。 ① 多目标优化，这也是我们未来重点的探索方向。虽然首页猜你喜欢显出了多目标平衡的特点，但是由于58的业务是非闭环的。所以我们无法直接跟踪到用户最终的交易行为，目标定义存在巨大的挑战。 这一方面我们还在持续的探索，但是在模型上我们会进一步探索多任务的学习模型和强化学习。 ② 多通道深度兴趣模型：包括内容行为序列优化，基于窗口协同方式的持续优化。 多目标优化：基于现有的模型架构，采用ESSM多目标模型来做训练， ③ 重排：从规则打散到基于相似度的柔性打散策略 ④ 展示优化： 样式对齐：我们引入了特色展示元素。 目前，排序模型上，基于序列化模型组件等构建了适配58业务特点的多通道深度模型架构，成为了主要场景的主流线上模型，仍在进一步结合业务探索新模型架构/强化学习/迁移学习等的落地应用，期待和大家进一步探讨交流
1.1K20发布于 2021-04-22 - 来自专栏往期博文
数学建模学习笔记（二十四）多目标规划
什么是多目标规划？ 在此之前，要了解一下单目标的线性规划 看个例子： 其中，maxz就是单个目标，下面的就是约束条件 如果有其他目标，就是多目标规划问题 比如： p1,p2,p3代表优先级，没有实际意义 就是把多个目标拆分成单个目标，最后把各自的结果平方和开方变成新的单目标函数 3、约束模型（极大极小法） 简单来说，就是把其中一个目标的最大最小值求出来把目标变成约束条件 三个方法本质上都是把多目标化为单目标问题求解
1.7K40编辑于 2022-06-14 - 来自专栏一点人工一点智能
基于深度学习的视觉多目标跟踪研究综述
作者：伍瀚，聂佳浩，张照娓，何志伟，高明煜 来源：计算机科 编辑：东岸因为@一点人工一点智能 多目标跟踪(MOT)旨在从给定视频序列中输出所有目标的运动轨迹并维持各目标的身份。 01 引言 多目标跟踪(Multiple object tracking，MOT)的主要任务是从给定视频中输出所有目标的运动轨迹，并维持各目标的身份信息(Identity，ID)。 基于图模型的方法有网络流(Network Flow，NF)[11]、条件随机场(CRF)[12]、最小代价子图多切(Minimum Cost Subgraph Multicut，MC SM)[13]和最大加权独立集 2017年，Son等[19]通过同时学习多张包含不同目标的图像学习更具判别性的目标特征。 多目标跟踪准确度(Multiple Object Tracking Accuracy，MOTA)是最重要的评价指标之一，如式(１)所示，其综合考虑了FP，FN以及IDs。
1.7K30编辑于 2023-08-25 - 来自专栏联远智维
多目标优化
多目标优化在系统最优设计、最优控制以及社会科学等方面都具有广泛的应用，例如：坦克的变速箱不仅需要良好的传动精度，运动过程中还需要保持极高的稳定性；火箭的恒温层结构不仅需要极好的隔热性能，更需要保证良好的耐撞性能 多目标优化的特征为：一般情况下，多目标优化问题的各个子目标之间是相互矛盾的（一个子目标的改善可能会引起另几个子目标性能的降低），很难使得多个子目标同时达到最优值，只能在多个目标之间进行折中处理，使得各个子目标都尽可能达到最优解 ，从数学角度可以做如下描述： No.1 多目标优化 多目标优化与单目标优化具有本质区别，主要体现于多目标优化问题的解并非唯一，而是存在一组由众多Pareto最优解组成的集合，具体如下图中蓝色曲线所示 ，采用优化算法过程中出现收敛性困难等问题； 3、多目标优化问题的帕累托解集包含更多有效信息。 No.2 程序代码 NSGA-Ⅱ是目前流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。
1.6K20编辑于 2022-01-20 - 来自专栏CreateAMind
YOLO11-JDE：快速精准的多目标跟踪与自监督重识别
YOLO11-JDE: Fast and Accurate Multi-Object Tracking with Self-Supervised Re-ID YOLO11-JDE：快速精准的多目标跟踪与自监督重识别 https://www.arxiv.org/pdf/2501.13710 摘要 我们提出了 YOLO11-JDE ，一种快速且准确的多目标跟踪（MOT）解决方案，它将实时目标检测与自监督的重识别（Re-Identification 在 MOT Challenge 基准测试中，YOLO11-JDE 展示了具有竞争力的跟踪精度，同时保持了高效率（见图1），使其非常适合用于对推理速度和模型大小敏感的实时多目标跟踪应用。 这种学习范式是深度度量学习 的核心思想，其目标是学习一个特征空间，在该空间中，样本之间的距离能够直接表达数据点之间的有意义关系。 总结与未来工作 在本研究中，我们提出了 YOLO11-JDE ，一个基于 YOLO11s 构建的轻量级且高效的多目标跟踪（MOT）框架，并配备了用于联合检测与嵌入的 Re-ID 分支。
22810编辑于 2026-03-11 - 来自专栏图与推荐
DMTL：召回场景基于蒸馏的多目标学习方案
然后把多任务的学习知识蒸馏到双塔网络中。 2. 方法介绍 2.1 多任务teacher模型 image.png image.png pCTCVR中引用了pCTR。 image.png 为了达到上述目标，则把左边的多任务学习任务当做teacher网络，右边的双塔结构当做student网络，用蒸馏把teacher网络的知识迁移到student网络。 创新点&&点评 这篇论文中，作者提出了基于蒸馏的多任务学习框架来建模阅读duration来进行召回。 消融实验不够完善：例如精排模型的结构是否有必要这么复杂，对召回模型影响又有多大；又或者是否一定需要以蒸馏的方式来召回学习精排，直接引入精排预估分作为soft分效果如何。
1.6K10编辑于 2021-12-02 - 来自专栏一点人工一点智能
基于深度学习的视觉多目标跟踪研究综述
作者：伍瀚，聂佳浩，张照娓，何志伟，高明煜来源：计算机科学编辑：东岸因为@一点人工一点智能原文地址：基于深度学习的视觉多目标跟踪研究综述多目标跟踪(MOT)旨在从给定视频序列中输出所有目标的运动轨迹并维持各目标的身份 01 引言多目标跟踪(Multiple object tracking，MOT)的主要任务是从给定视频中输出所有目标的运动轨迹，并维持各目标的身份信息(Identity，ID)。 基于图模型的方法有网络流(Network Flow，NF)[11]、条件随机场(CRF)[12]、最小代价子图多切(Minimum Cost Subgraph Multicut，MC SM)[13]和最大加权独立集 2017年，Son等[19]通过同时学习多张包含不同目标的图像学习更具判别性的目标特征。 多目标跟踪准确度(Multiple Object Tracking Accuracy，MOTA)是最重要的评价指标之一，如式(１)所示，其综合考虑了FP，FN以及IDs。
3.4K10编辑于 2023-05-06 - 来自专栏python3
python学习(11)
位置参数 传入参数顺序 、个数必须一致 def add(a,b): return a + b
43510发布于 2020-01-14 - 来自专栏null的专栏
多目标建模总结
为了能平衡最终的多个目标，需要对多个目标建模，多目标建模的常用方法主要可以分为： 多模型的融合 多任务学习 底层共享表示的优化 任务序列依赖关系建模 多模型的融合是根据不同的指标训练不同的模型， 最终对多个模型的结果做融合；多任务学习是目前处理多目标建模使用较多的方法，相较于多模型的融合，多任务学习能做到端到端的学习，同时能够节约建模的时间，因为多个模型可以同时建模。 在多目标的建模过程中，如果不同的学习任务之间较为相关时，多个任务之间可以共享一部分的信息，这样最终能够提升整体的模型学习效果。 多任务学习 对于多模型融合存在的问题，通过多任务学习能够在一定程度上解决这些问题，首先，在多任务学习中，由于将多个模型合并成一个模型，这样能够减少维护成本及减少资源；对于数据较为稀疏的任务，通过多任务学习的方式 总结 多目标建模已经成为当前推荐系统中的标配，在多目标建模过程中，需要考虑多个目标之间的相互关系，以选择合适的多目标建模方法，同时，在多目标的损失函数的设计上，也存在很多的优化方案，需要根据具体的应用场景选择合适的损失函数
1.4K20编辑于 2023-02-02 - 来自专栏人工智能极简应用
【深度学习】多目标融合算法—样本Loss提权
一、引言 在朴素的深度学习ctr预估模型中（如DNN），通常以一个行为为预估目标，比如通过ctr预估点击率。 更多是多种目标融合的结果，比如视频推荐，会存在视频点击率、视频完整播放率、视频播放时长等多个目标，而多种目标如何更好的融合，在工业界与学术界均有较多内容产出，由于该环节对实际业务影响最为直接，特开此专栏对推荐系统深度学习多目标问题进行讲述 该方法通过对不同正向行为给予不同权重，将多目标问题转化为单目标问题。本质是保证一个主目标的同时，将其它目标转化为样本权重，通过复制行为的方法改变数据分布，达到优化其它目标的效果。 三、总结 本文从技术原理和技术优缺点方面对推荐系统深度学习多目标融合的“样本Loss加权”进行简要讲解，本质是对多个样本行为进行复制，以达到对预期指标的强化，具有模型简单，成本较低的优点，但同时优化周期长
43210编辑于 2025-01-03 - 来自专栏智能算法
多目标模板匹配
这里贴张目标图像，就是需要匹配的图像，先从简单到复杂讲解，对单目标匹配完才能进行多目标匹配嘛，如下图所示为目标图像，由于太大了，缩放下，模板图像其实是从红色框框里抠出来的。 ? 接下来说说多目标模板匹配吧。 三. 多目标模板匹配 有了之前的基础，这里要说说多目标模板匹配，目标图像中很有可能出现需要匹配的目标处于旋转一定角度的，就是说，目标与模板的摆放角度并不相同，如下图所示： ?
2.4K50发布于 2018-04-02 - 来自专栏我爱计算机视觉
PyTorch 多目标跟踪
今天介绍一份PyTorch实现的多目标跟踪的开源库，在Github 上搜索 MOT tracking ，该份代码排名第一位，目前已经有505颗星。 该代码实现的是广为人知的deep sort多目标跟踪算法，算法原作者的实现是基于TensorFlow的，作者用PyTorch实现了RE-ID（目标重识别）模块，并将目标检测模型从Faster RCNN
1.3K20发布于 2019-12-31 - 来自专栏计算机视觉战队
多目标检测：基于YoloV4优化的多目标检测
一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 多目标检测作为目标检测领域的一个重要研究方向，一直受到研究人员的广泛关注。目前，在智能交通、智能辅助驾驶和视频监控等领域已经产生了深入的研究。 随着2012年AlexNet在图像分类任务上的重大突破，利用卷积神经网络自动学习特征提取过程代替传统的人工设计是当前的主要研究方向。 有文献【Deep learning strong parts for pedestrian detection】使用联合学习方法对不同的行人遮挡模式进行建模，但其检测框架复杂且无法穷尽所有情况。
1.4K20编辑于 2022-01-26 - 来自专栏计算机视觉工坊
深度学习多目标优化的多个loss应该如何权衡
极市导读 本文介绍了一篇关于多任务学习的综述，详细介绍了文章中关于多任务学习的两个主要研究方向：task balancing和其他。 ? 这篇文章提到了多任务学习的两个主要研究方向： 1、多任务学习的网络结构的构造； 2、多任务学习对标的多目标优化的方法； ? ：多任务学习之非深度看起来头大的部分 https://zhuanlan.zhihu.com/p/361464660 马东什么：多任务学习之深度学习部分 https://zhuanlan.zhihu.com 在深度学习中，我们把这种误差叫做偶然不确定性。 从深度学习的角度来举例子，我们举一个大家应该很比较熟悉的人脸关键点回归问题[3]: ? 则在多目标的前提下，我们认为总的同方差不确定性可以用不同任务的不确定性的乘积来表示： ? 通过对公式（4）进行对数变换后可以得到： ? （这个正比的公式是怎么得到的。。。）
6.7K20发布于 2021-04-26 - 来自专栏计算机工具
深度学习11：Transformer
和经典的 seq2seq 模型一样，Transformer 模型中也采用了 encoer-decoder 架构。上图的左半边用 NX 框出来的，就代表一层 encoder，其中论文里面的 encoder 一共有6层这样的结构。上图的右半边用 NX 框出来的，则代表一层 decoder，同样也有6层。
56810编辑于 2024-12-14 - 来自专栏CreateAMind
多目标的强化学习教程-两篇均有代码
1 https://flyyufelix.github.io/2017/11/17/direct-future-prediction.html 有代码 Direct Future Prediction
1.4K20发布于 2018-07-20 - 来自专栏CreateAMind
多目标的强化学习教程-两篇均有代码
1 https://flyyufelix.github.io/2017/11/17/direct-future-prediction.html 有代码 Direct Future Prediction
2.3K20发布于 2018-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号