Xiang Fang
PulseAugur coverage of Xiang Fang — every cluster mentioning Xiang Fang across labs, papers, and developer communities, ranked by signal.
-
新网络增强少样本分布外检测能力
研究人员开发了一种名为自适应多提示对比网络（AMCN）的新网络，以应对少样本分布外（OOD）检测的挑战。该方法专为仅有少量标记的分布内（ID）样本可用的场景而设计，这使得传统的OOD检测变得困难。AMCN利用CLIP为ID和OOD数据创建可学习的文本提示，通过考虑类间和类内变异来调整分布之间的分离边界。实验表明，AMCN在该专业检测任务上超越了现有的最先进方法。
-
新的AHGC方法改进了AI中的分布外检测
研究人员开发了一种名为自适应分层图割（AHGC）的新方法，用于机器学习中的分布外（OOD）检测。该方法解决了区分分布内和分布外数据所面临的挑战，特别是在不同数据集的标签粒度存在差异时。AHGC构建了一个分层图来评估图像相似性，然后将图分割成子图，以整合语义上相似的样本，并根据子图密度为未标记图像分配标签。该方法还通过最大化每张图像增强版本之间的相似性来增强模型泛化能力，在基准数据集上展示了OOD检测性能的显著提升。
-
新的UASA网络解决了类别不平衡的跨域分布外检测问题
研究人员引入了一个名为不确定性感知自适应语义对齐（UASA）网络的新框架，以解决跨不同领域类别不平衡数据集中的分布外（OOD）检测这一复杂挑战。该方法旨在通过使用原型对齐源域和目标域数据来弥合域间差距，同时通过自适应阈值处理语义差异，并通过不确定性感知聚类来缓解类别不平衡。实验表明，UASA在具有挑战性的基准测试中显著优于现有的最先进方法。
-
新网络利用外观和运动改进视频动作检测
研究人员开发了一个名为 UAAN 的新网络，以改进视频中的分布外（OOD）动作检测。与以往仅关注外观的方法不同，这种方法独特地结合了外观和运动特征。UAAN 在独立的外观和运动分支内构建时空图，以推理对象交互，然后使用注意力模块融合这些特征，以实现更鲁棒的动作识别和定位。
-
新的多视图聚类方法应对不平衡和噪声数据
研究人员开发了几种新颖的多视图聚类方法，这是一种在信息来自多个来源（每个来源可能不完整或有噪声）时用于对数据点进行分组的技术。这些方法，包括 UIMC、DSMC、V3H 和 ANIMC，解决了诸如视图间不平衡不完整性、冗余特征和噪声的存在以及整合不同数据视角的一致和独特信息的需求等挑战。所提出的框架利用了生物进化、自适应加权和遗传学原理等概念来提高聚类性能，实验结果显示在现有最先进方法上取得了显著的进步。