具有时间编码的监督学习的目的是使神经元尖峰化，以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来，基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一，远程监督方法（ReSuMe）使用常规的基于对的峰值定时依赖的可塑性规则，该规则取决于突触前和突触后峰值的精确定时。 在本文中，使用了基于三重态的依赖于尖峰时序的可塑性，它是一种强大的突触可塑性规则，其作用超出了经典规则，提出了一种新颖的监督学习算法，称为T-ReSuMe，以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务，其中所需的尖峰序列通过泊松过程进行编码。 实验结果表明，与传统的ReSuMe算法相比，T-ReSuMe算法具有更高的学习精度和更少的迭代次数，对于解决复杂的时空模式学习问题是有效的。
2021-07-27 22:43:31
294KB
1
深度强化学习/监督学习实现与运行环境(TensorFlow/PyTorch)
2021-07-25 11:52:03
4.56MB
1
自我监督学习（SSL）
文件
论文2021
RGB-D显着目标检测的自监督表示学习（）
通过自我监督的多任务学习来学习特定于形式的表示形式以进行多模态情感分析（）（）
理解无对比对的自我监督学习动力学（）（）
多视角的自我监督学习。（）（ ICLR 2021 ）
与差异的对比：带有噪声标签的学习的自我监督式预训练。（）（ ICLR 2021 ）（）
自我监督的可变自动编码器。（）（ ICLR 2021 ）
自我监督视觉预训练的密集对比学习。（）（ CVPR 2021 ）（）（）
超越眼界的是：通过提取多模态知识进行自我监督的多目标检测和声音跟踪。（）（ CVPR 2021 ）
AdCo：有效地从自我训练的负面对手中学习无监督表示的对抗性对比。（）（ CVPR 2021 ）（）
探索简单的暹罗表示学习。（）
Barlow Twins：通过减少冗余进行自我监督的学习。（）
2021-07-23 20:00:05
137KB
1
细粒度的自我监督学习
此存储库具有与用于细粒度图像分类的自我监督学习相关的代码。 我使用了木薯植物病数据集
2021-07-07 16:26:16
137KB
1
用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，如性别（男性、女性）、年龄（儿童、青少年、成年、老年）、佩戴眼镜（是、否）、戴帽子（是、否）、
2021-07-05 09:08:00
4.89MB
1
领域：异常检测，深度学习
方法：非监督对抗学习
场景：硬盘故障检测
网络结构：基于LSTM自编码器与生成式对抗网络相结合
数据集：BackBlaze
采用非监督对抗学习的好处，由于训练阶段未用到异常样本(即正样本)，模型不受样本不均衡的影响，很好的避免了由于训练样本不均衡导致的过拟合问题。
已有研究大都使用5 天以内的短期序列数据进行学习和检测，不能很好的学习到自我监测分析报告数据长期稳定的变化趋势，使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生成式对抗网络相结合的网络结构，采用对抗训练方法，使模型学习正常样本在样本空间和潜在空间两个....
2021-07-04 17:28:26
861KB
1
图像分类是计算机视觉中的基本任务之一，深度学习的出现是的图像分类技术趋于完善。最近，自监督学习与预训练技术的发展使得图像分类技术出现新的变化，这篇论文概述了最新在实际情况中少标签小样本等情况下，关于自监督学习、半监督、无监督方法的综述，值得看！
2021-07-03 20:11:50
5.67MB
1