- 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
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
根据学习特征的不同，基于深度学习的多目标跟踪可以分为表观特征的深度学习，基于相似性度量的深度学习，以及基于高阶匹配特征的深度学习(如图3)。 ? 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。 采用深度学习提升多目标跟踪算法更加直接的方法是学习检测之间的特征相似性，比如设计深度网络计算不同检测的距离函数，相同目标的检测距离小，不同目标的检测距离大，从而构造关于检测距离的代价函数[3]。 3、深度视觉多目标跟踪算法介绍 3.1 基于对称网络的多目标跟踪算法 一种检测匹配度量学习方法是采用Siamese对称卷积网络，以两个尺寸相同的检测图像块作为输入，输出为这两个图像块是否属于同一个目标的判别 [3]。
2.4K21发布于 2018-11-23 3D 激光点云的多目标跟踪
针对多目标跟踪（MOT）领域，一些学者聚焦于改进基于轨进片段（tracklet-based）的方法，指出传统检测驱动的多目标跟踪算法过度依赖目标检测的性能，忽视了目标历史信息的有效利用。 为此，他们探索了利用多帧点云序列或轨进片段，结合深度学习技术来提取目标的独特特征，旨在实现端到端的多目标跟踪解决方案。 相较于基于检测的3D MOT算法，此类基于轨进片段的方法往往能取得更高的跟踪精度，但在实时性方面仍有待进一步优化和提升。 在2020年的OS会议上，针对3D多目标跟踪问题，基于经典的2D图像目标跟踪算法SORT，创新性地提出了ABJDMOT算法。 SimTrack，一种基于tracking-by-detection理念的3D多目标跟踪算法，当前在工业界占据核心地位。然而，其高度依赖即时的目标检测结果，且目标跟踪信息对检测优化的反馈不足。
49610编辑于 2024-11-11- 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。 比如认为一次分享算两次点击，在视频中停留了2分钟等价于3次对视频的点击行为等，这里面的数字需要根据线上评估指标测试出来。 从原理上讲无法达到最优，多目标问题本质上是一个帕累托寻找有效解的过程。 3. （3）还有多目标常常存在的问题是，指标a的提升常常伴随着指标b的下降。 - 知乎 https://www.zhihu.com/question/33711002 帕累托的角度解推荐系统中的多目标优化问题，地址：https://mp.weixin.qq.com/s/xqlvFRts3S29DAgzBV3 _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
3. 模型架构 ? 主要可以细分为以下四点： 实现了基线最优模型的稳定超越：其中点击率提升了3%， 曝光转化率提升5%。 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。
1.1K20发布于 2021-04-22 - 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 ，可自行分配权重 d1,d2,d3,d4的意义如下： 求解方法（3种） 1、效用最优化模型（线性加权法） 简单来说，就是两个目标给予不同权重，然后相加合成新的目标 2、罚款模型 简单的说，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 matlab求解函数 X=fgoalattain（FUN,X0,GOAL,WEIGHT） X = FGOALATTAIN(FUN,X0,GOAL,WEIGHT
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)。 而受益于目标检测技术的快速发展，当前基于深度学习的方法主要把MOT拆分为目标检测、特征提取和数据关联３个子任务[5]。 如图3所示，基于孪生网络的方法通过两个共享权重的卷积层提取不同视频帧图像中目标的特征，结合不同图像信息学习目标更具判别性的特征。随后，该算法在当前帧图像中搜索先前的跟踪目标。 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。 3. 实验 3.1 数据集 腾讯看点feeds流上收集的大概亿级的训练样本，百万的测试样本。对于每个用户，正例是曝光点击过的item，负例是从全局按照点击频次随机采样。 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)。 而受益于目标检测技术的快速发展，当前基于深度学习的方法主要把MOT拆分为目标检测、特征提取和数据关联３个子任务[5]。 如图3所示，基于孪生网络的方法通过两个共享权重的卷积层提取不同视频帧图像中目标的特征，结合不同图像信息学习目标更具判别性的特征。随后，该算法在当前帧图像中搜索先前的跟踪目标。 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。 在任务序列依赖关系建模中，以阿里的ESMM[3]较为典型。 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。 3. 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 如下表，以视频业务为例，每行为一条训练样本，根据业务需要，把点击视频、视频完播、视频时长的权重分别设置为1、3、5。 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。 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 替换为YOLOv3。
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。 模块组成的主干网络，由卷积层和残差模块叠加，有效防止在网络层数加深的基础上梯度消失或爆炸，获得更丰富的语义信息特征图，并且在主干网络中，特征图维度的减少是通过卷积层的5倍下采样实现的，其步长为2，内核大小为3；
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
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； ? 后续的方法大体分为两类： 1、在权重wi上做文章； 2、在梯度上做文章 在权重上做文章的方法： 1、Uncertainty Weighting https://arxiv.org/pdf/1705.07115v3. 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。。。） ，是否可以提高模型的能力； 3、 这里没有考虑权重和为1的问题，不过我觉得作者本来也没打算这么做，影响不大，权重之和是否为1并不是问题其实，本来多任务也不一定需要权重为1的设定，另外权重简单做归一化就可以得到权重为
6.7K20发布于 2021-04-26 - 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。 在任务序列依赖关系建模中，以阿里的ESMM[3]较为典型。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。 3. 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
1.7K20编辑于 2023-01-19 - 来自专栏CreateAMind
多目标的强化学习教程-两篇均有代码
= self.model.predict([state, measurement, goal]) # [1x6, 1x6, 1x6] f_pred = np.vstack(f) # 3x6
2.3K20发布于 2018-07-20 - 来自专栏自然语言处理
CCF BDCI 剧本角色情感识别：多目标学习开源方案
3、赛题任务 本赛题提供一部分电影剧本作为训练集，训练集数据已由人工进行标注，参赛队伍需要对剧本场景中每句对白和动作描述中涉及到的每个角色的情感从多个维度进行分析和识别。 怒情感值，恐情感值，哀情感值 备注： 1）本赛题的情感定义共6类（按顺序）：爱、乐、惊、怒、恐、哀； 2）情感识别结果：上述6类情感按固定顺序对应的情感值，情感值范围是[0, 1, 2, 3] ，0-没有，1-弱，2-中，3-强，以英文半角逗号分隔； 3）本赛题不需要识别剧本中的角色名； 文件编码：UTF-8 无BOM编码 5 评估标准 本赛题算法评分采用常用的均方根误差（RMSE 6 基于预训练模型的对目标学习 这个题目可操作的地方有很多，一开始见到这个比赛的时候见想到了multi outputs的模型构建，这里给大家分享下这个基线，希望有大佬能够针对这个思路优化上去~ 6.1 } 6.4 模型训练 回归损失函数直接选取 nn.MSELoss() EPOCHS = 1 # 训练轮数 optimizer = AdamW(model.parameters(), lr=3e
84030发布于 2021-11-24 - 来自专栏CreateAMind
多目标的强化学习教程-两篇均有代码
= self.model.predict([state, measurement, goal]) # [1x6, 1x6, 1x6] f_pred = np.vstack(f) # 3x6
1.4K20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