- 综合排序
- 最热优先
- 最新优先
3D场景重建与跨模态表征学习技术解析
运动恢复结构技术针对影视内容中摄像机运动受限的特点，提出深度引导的稀疏运动恢复结构方法。 关键技术包括：双目标优化：联合优化2D重投影误差与深度估计误差，相比传统几何优化方法提升10%-30%性能指标深度估计融合：利用现成深度估计模型生成密集深度图，通过双线性插值获取关键点真实深度初始化优化 ：在3D场景结构和相机位姿初始化阶段即引入深度信息系统工作流程：输入视频→关键点检测与跟踪→深度图插值→3D结构重建跨模态表征学习改进CLIP框架的局限性，提出渐进式自蒸馏方法：软对齐机制：允许图像与非配对文本建立概率关联 负样本权重实验表明该方法在：图像分类任务：部分数据集超越CLIP 30%-90%跨模态检索：图文互检索任务持续优于基线泛化能力：成功识别训练集未包含的彩色玻璃金鱼图案左：CLIP强制硬对齐 右：本文的概率软对齐框架技术应用前景两项技术已应用于 ：影视后期：精确插入数字对象到实拍视频内容理解：构建通用视觉表征支持分类/检索任务质量保障：为视频流媒体提供底层技术支持
26510编辑于 2025-08-19- 来自专栏SIGAI学习与实践平台
网络表征学习综述
：第一，我们要学习一种低维度的向量表示网络节点，将节点映射到相应的向量空间，这种网络表征学习就是关于图结构的网络表征学习，也称网络嵌入；第二，我们的表示不仅仅可以表征网络结构，同时也可以表征节点本身自带的属性 ，这种表征学习，就是伴随节点属性的网络表征学习。 网络表征学习【1】 关于图结构的网络表征学习 关于图结构的网络表征学习重点关注的是网络的拓扑结构与性质，是网络表征学习中最基本的一类方法，其目的在于如何得到节点在低维空间中的向量表示，使得向量之间的关系可以保持图结构中节点之间的结构关系 下面我将介绍几种常见且有效的网络表征方法。 伴随节点属性的网络表征学习 伴随节点属性的网络表征学习，则是在关于图结构的网络表征学习基础上，加入了节点本身的属性，例如社交用户组成的网络，每个节点表示一个用户，同时每个用户有其自己的属性，比如年龄、性别
1.9K30发布于 2018-09-29 - 来自专栏NLP小白的学习历程
什么是表征学习？
在机器学习中，特征学习或表征学习[1]是学习一个特征的技术的集合：将原始数据转换成为能够被机器学习来有效开发的一种形式。 这就要求特征学习技术的整体设计非常有效，自动化，并且易于推广。 特征学习可以被分为两类：监督的和无监督的，类似于机器学习。 在监督特征学习中，被标记过的数据被当做特征用来学习。 监督字典学习 总体来说，字典学习是为了从输入数据获得一组的表征元素，使每一个数据点可以（近似的）通过对表征元素加权求和来重构。字典中的元素和权值可以通过最小化表征误差来得到。 通过L1正则化可以让权值变得稀疏（例，每一个数据点的表征只有几个非零的权值）。 监督字典学习利用输入数据的结构和给定的标签（输出）来优化字典。 这个方案的优化目标包括最小化分类误差，表征误差，权值的1范数（L1正则化）和分类器参数的2范数。
1.7K20发布于 2020-11-13 - 来自专栏GiantPandaCV
ICLR 2024 最新研究 DYST 技术让视频表征更精准、更智能
ICLR 2024 最新研究 DYST 技术让视频表征更精准、更智能 1. 论文信息 2. 讨论 论文提出的方法是一种先进的视觉表示学习技术，专注于从单目视频中提取和利用动态场景的3D结构和动态变化。
61510编辑于 2024-03-20 - 来自专栏又见苍岚
表征学习 Contrastive Loss
F表示两点间弹簧的作用力，K是弹簧的劲度系数，X为弹簧拉伸或收缩的长度，弹簧静止状态时X=0.
73810编辑于 2022-08-09 - 来自专栏测试GO材料测试
前沿实验室丨形貌与晶体结构表征技术全解析
前沿实验室形貌与晶体结构表征技术全解析在新能源材料研发的赛道上，每一次突破都始于对材料微观世界的精准洞察。 测试GO前沿实验室依托国际领先的表征平台，提供创新的前沿表征方案与技术支持，打造五大"科研利刃"，帮助您发掘新质内容，实现科研突破，提升论文档次，迈向学术高峰。 晶体取向分布分析通过电子背散射衍射（EBSD）或XRD极图技术，构建晶粒取向的三维空间分布图，精准解析织构演化规律。 原位监测技术通过在电化学池中集成光学显微镜、质谱仪或X射线成像系统，实现对电极表面状态的全流程追踪。 相较于离线表征，原位技术能捕捉瞬态反应特征，区分主反应与副反应的贡献，为抑制枝晶生长、延长电池寿命提供关键动力学参数。
45310编辑于 2025-08-14 - 来自专栏测试GO材料测试
表征技术：飞行时间二次离子质谱（TOF-SIMS）
飞行时间二次离子质谱（TOF-SIMS）是一种结合二次离子质谱与飞行时间质量分析器的表面表征技术。 该技术由Beninghoven教授团队于20世纪80年代初首次研制，后经多次迭代升级，在分析性能、数据处理效率及软件操作性方面均取得显著提升。如今，TOF-SIMS已成为成熟且应用广泛的表征手段。 现代TOF-SIMS具备高灵敏度、高空间分辨率、优异的质量分析能力及全面的化学信息解析功能，是一种多功能分析技术。 技术迭代后，Ga⁺、Au⁺（含Au₃⁺）及C60⁺成为过渡性离子源。 图6.TOF-SIMS在高铝粉煤灰(HAFA)颗粒上Al、Si、Fe、Li元素的成像分析综上所述，飞行时间二次离子质谱（TOF-SIMS）以其高灵敏度、亚纳米级分辨率及多功能分析能力，已从基础材料表征跃升为跨学科研究的核心工具
63710编辑于 2025-10-24 语音识别技术前沿：自监督学习与声学表征新突破
语音识别的演进与挑战二十年前，自动语音识别技术主要集中于小规模封闭词汇识别，例如连接数字识别系统。如今，深度学习模型已成为主流，数百万用户通过语音助手或手机转录软件将语音转换为文本。 两大前沿技术趋势自监督学习机制自监督学习使系统能够自我生成训练数据，无需人工标注。该方法借鉴了自然语言处理中BERT模型的成功经验，通过随机掩码语音片段并训练模型预测缺失部分。 新型声学表征传统梅尔频谱基于信号处理和人耳听觉机制，而新型表征不假设信号特定结构，在语音识别和合成中表现更优。最有效的表征基于自监督学习，通过无标注输入定义辅助任务生成伪标注训练数据。 技术实现与应用对比学习框架采用Barlow twins对比学习框架，使同一说话人或音素的信号在表征空间中相近，其他样本相远。 未来展望语音信号作为最平凡却又最复杂的信号之一，其技术发展仍充满探索空间。自监督学习与新型表征方法的结合，为多语言识别、自适应学习等方向开辟了新路径，持续推动着语音技术领域的创新突破。
31010编辑于 2025-09-24- 来自专栏DeepHub IMBA
ReFT(表征微调):比PeFT效果更好的新的大语言模型微调技术
PeFT 参数高效微调方法（Parameter-Efficient Fine-Tuning，PEFT）仅微调少量或额外的模型参数，固定大部分预训练参数，大大降低了计算和存储成本，同时最先进的 PEFT 技术也能实现了与全量微调相当的性能 版在输入前面的每层加入可微调的参数，增强了V1版的性能 然后就是我们熟悉的也是最长用的LoRA，这里就不多介绍了，我们可以狭义理解为LoRA是目前最好的PeFT方法，这样可以对我们下面介绍的ReFT更好的对比 表征微调
2.2K10编辑于 2024-04-15 - 来自专栏AI研习社
神经网络如何完成表征？
本文为 AI 研习社编译的技术博客，原标题 ： Representation Power of Neural Networks 作者 | ASHISH RANA 翻译 | 小冷、jinlilei 在数学上，我们将研究给定神经网络的表征能力，以便提供近似的函数。 表征能力与神经网络的能力相关，神经网络会为特定实例分配适当标签并为该类创建明确定义的准确决策边界。 在本文中，我们将探索一种视觉方法，用于更多地了解神经网络的近似特性，这与神经网络的表征能力直接相关。 旅程 它始于MP 神经元模型，它是一个非常简化的神经元模型。 为了检查它的表征能力，让我们看它的几何解释。首先进行2-D分析，使用2个输入来近似OR函数，然后使用3个输入进行3-D分析。 ? 对于二维坐标系中的分离，需要一条分类直线。 时过境迁 经过sigmoid激活的神经元具有非常强的表征能力。具有一个单隐层的多层神经元网络可以近似任意连续函数，并达到任何想达到的精度。
1.1K20发布于 2018-12-14 - 来自专栏脑电信号科研科普
人类如何学习和表征网络？
在这里，我们提供了图形学习领域的简要介绍，涵盖了最近开发的实验技术和基于网络的模型、理论和直觉，以研究网络结构对人类认知和行为的影响。 鉴于该领域的高度跨学科性质——它借鉴了认知科学和语言学的实验方法，并建立在网络科学、信息论和统计学习的计算技术之上——我们旨在通过简单的激励性例子提供一个易于理解的概述。 连接还结合并重叠形成复杂的网络，表征我们环境的高阶结构。为了研究这些结构，科学家们越来越多地转向网络科学的语言，将项目概念化为网络中的节点，边缘定义了它们之间可能的联系。 早期的结果表明，当观察一系列从一个过渡结构转移到另一个过渡结构的刺激时，人们对第一个网络的习得表征会影响他们对第二个网络的反应，但这些影响会随着时间的推移而减弱。 来自认知建模技术(图。3)现有实验范式的扩展(图。4)应用于现实世界网络的研究(图。5)，图形学习已经准备好改变我们对人类认知、复杂网络以及它们相交的无数方式的思考方式。
46830编辑于 2021-11-29 - 来自专栏小巫技术博客
深度学习，NLP和表征（译）
译自：https://colah.github.io/posts/2014-07-NLP-RNNs-Representations/ 发布于2014年7月7日 神经网络，深度学习，表征，NLP，递归神经网络 我们可以做的一件事是用t-SNE可视化它们，这是一种用于可视化高维数据的复杂技术，可以让我们对单词嵌入空间有个直观的感觉。 ? t-SNE可视化词嵌入。左边：数字区域；右边：工作区域。 关注的不是结果本身，而是从结果中得出的结论，以及它们与其他技术的比较。 我觉得没有资格说出这些问题。我鼓励有这种感觉的人在评论中描述他们所关心的问题。我觉得没有资格说出这些问题。 结论 深度学习的表征视角是一种强有力的观点，似乎可以解释为什么深层神经网络如此有效。除此之外，我认为还有一件非常美妙的事情：为什么神经网络是有效的？ 对于输入错误、技术错误或您希望看到的澄清，我们鼓励您对github发起pull request。)
77330发布于 2018-07-20 - 来自专栏测试GO材料测试
原位表征技术在水系电池研究稳定性测试中的应用-测试GO
原位表征技术在水系电池研究稳定性测试中的应用-测试GO随着水系电池研究的深入，稳定性已成为衡量其性能与安全性的关键指标。 测试狗通过气相质谱联用技术，对电化学反应中产生的挥发性物质进行定性与定量分析。 测试狗采用微天平技术，在充放电过程中实时监测单个电极的质量波动。 原位电极质量监测三、原位气压监测：体系稳定性与安全性的直接表征电池内部气压变化是评估整体稳定性的重要指标。测试狗通过高精度气压传感器，在静置或循环过程中实时监测电池内部气压。 这些技术不仅适用于基础机理研究（如副反应路径解析），还可赋能产业化场景（如安全性能验证），助力科研团队与企业加速高性能水系电池的开发进程。
25710编辑于 2025-09-01 - 来自专栏GiantPandaCV
旋转目标检测表征新方法
Motivation 主流的旋转目标表征方式分为两种：旋转矩形（OBB）和四边形（QBB）。这两种表征方式都存在边界越界问题和周期性问题（参考CSL论文或者下面的示意图）。 这些多余的表征方式导致的次优学习问题本文称之为“模糊表征”问题。 同样的问题在OBB中也是存在的。 Method 2.1 Analysis “模糊表征”带来的旋转目标表征的歧义性在一些之前的论文中有被提到。 但是这些方法都是把“模糊表征”视作旋转目标检测的一个“问题”。 实际上根据定义来看，他们同样是有效的表征方式，等价的局部极小点，直接抑制多样表征来规避问题不是最可取的。 2.2 RIL for QBB QBB表征下的表征不变性损失 首先是用于多边形匹配的表征不变性损失。
1.6K20发布于 2021-10-20 - 来自专栏人工智能从业者资格
什么是对数据的表征学习
表征学习就是这么一个新概念，在很多地方都是直接使用而未对其进行一个定义。在阅读了很多文档之后，本文尝试对这个概念进行定义。 表征学习也是其他现代科学或工程技术领域的名词一样，是一个从西方词语生硬翻译过来的词汇。 2023年2月20日更新： 表征学习指的就是，在机器学习领域整个模型训练的过程其实都是在学习如何对数据进行更好地表征，此处的表征更通俗地表达应该是“表达”、“表示”、“展示”，而对数据进行更好地表征，就是对数据的特征 表征学习，就是学习更好地表达数据的特征，就是对数据的特征信息进行更好地提取、处理和表达，以便对未来数据进行预测。 表征学习领域一直关注如何更好地学习到有意义的、优越的数据表示方法。
1.5K31编辑于 2023-02-20 - 来自专栏CreateAMind
熵在信息损失方面的表征
A CHARACTERIZATION OF ENTROPY IN TERMS OF INFORMATION LOSS 熵在信息损失方面的表征 https://arxiv.org/pdf/1106.1791
8610编辑于 2026-03-11 运动引导掩码提升视频表征学习
运动引导掩码提升视频表征学习研究背景现代基础模型（如大语言模型）通过重建随机掩码的文本来学习强大的表征。然而将这种方法推广到视频数据并不简单。 技术实现运动向量利用数字视频通常以24-30帧/秒的速率播放。现代视频编解码器通过运动向量压缩视频，这些向量定义了8×8或16×16像素块在帧间的移动方式。 实验结果在实验中，MGM仅使用最佳先前模型三分之一的训练数据就能实现最先进的视频表征。在下游任务测试中，相比先前方法性能提升高达5%。 技术优势该方法通过利用流行视频格式中已有的高效运动指导，改善了视频表征学习。运动引导掩码在捕捉视频内容语义信息方面优于其他视频掩码技术。研究领域：计算机视觉相关技术：视频表征、数据表示、表征学习
14000编辑于 2025-10-19- 来自专栏机器之心
ICML 2024 | 信号表征指数级强、内存节省超35%，量子隐式表征网络来了
近年来，隐式神经表征作为一种新兴的信号表征方式引起了广泛关注。与传统的离散网格表示（例如用像素网格表示的图像）相比，隐式神经表征具有许多独特的优势。 其次，隐式神经表征具有出色的存储空间节省，为数据存储提供了便利。正因为这些独特的优势，隐式神经表征迅速成为表示图像、物体和3D场景等信号的主流范式。 本文提出的量子隐式神经表征利用了量子优势从而能够减少参数和计算消耗，这种解决方案能够给隐式神经表征甚至机器学习领域带来新的启发。 图 2. 最新的研究引入了一个突破性的框架将隐式神经表征扩展到图像生成。更具体地说，该框架利用以随机分布为输入的超网络来生成隐式表征网络的参数。随后，这些生成的参数被分配给隐式表征网络。 值得强调的是，隐式神经表征还有许多其他潜在的应用，如表示场景或 3D 对象、时间序列预测和求解微分方程。对于一大类对连续信号建模的任务，我们都可以考虑引入隐式表征网络作为基本组件。
31910编辑于 2024-06-27 - 来自专栏腾讯技术工程官方号的专栏
腾讯游戏自研学术成果：基于图分割的网络表征学习初始化技术
因此，该技术起源于对游戏业务优化的需求，升华于对技术细节的精益求精。 背景 网络表征学习算法将网络中的每个节点映射为一个长度固定的向量，并且这个向量的长度远远小于网络中节点数量。 国际人工智能学术会议AAAI 2018有个技术HARP也是为了解决网络表征学习初始化的问题。 GPA技术先采用图分割算法将网络图结构分割成若干区块，接着将所得到的区块当作抽象节点，于是构建了一个抽象网络。最后通过计算抽象网络的表征，从而得到原网络的表征初始值。 图 1：基于图分割的网络表征学习初始化技术 在计算抽象网络的表征时，需要通过设置特定的超参数来运行网络表征学习算法，比如node2vec的超参数包括随机游走路径的长度和个数。 图 2：基于图属性和回归模型的网络表征学习算法超参数选取技术 更多技术细节请看提前发布的论文：https://arxiv.org/abs/1908.10697 3.
82820发布于 2019-10-18 - 来自专栏机器之心
多尺度表征10亿像素图像，斯坦福神经场景表征新方法入选SIGGRAPH
斯坦福大学近日提出了用于神经场景表征的新型自适应坐标网络，不仅细节表征突出，还节省了大量的计算和时间成本。在表征 3D 形状时，训练时间可以从几天缩减至几小时，内存需求也至少降低了一个数量级。 当前，神经表征已经成为渲染、成像、几何建模和模拟应用的一种新范式。与网格、点云和体积网格等传统表征相比，神经表征可以灵活地合并入可微分、基于学习的 pipeline。 神经表征近来的进展实现了在中等分辨率下表征具有丰富细节的信号，比如图像和 3D 形状，但充分地表征大尺度或复杂场景依然是一个挑战。 现有的神经表征无法准确地表征分辨率大于百万像素的图像或者数十万个多边形组成的 3D 场景。 在线多尺度分解 研究者提出了新的自动分解方法能够自适应地分配网络资源以拟合感兴趣的信号，并且受到了模拟技术中自适应网格细化方法和有限单元求解器的启发。
43310发布于 2021-06-08
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