两种熵最小化和熵最大化的（好奇心）目标在不同的环境中已经被证明是有效的。然而，单独使用任何一种方法都不能使代理在不同的环境中 consistently 学习智能行为。为了找到一种基于熵的单一方法，以鼓励在任何环境中出现 emergence behaviors，我们提出了一个可以根据熵条件在线调整目标的代理。我们将选择建模为一个多臂老虎机问题。我们设计了一种新的内在反馈信号老虎机，捕捉了代理在环境中控制熵的能...
缺乏指导模型训练的实际目标是一个主要的化妆迁移任务的问题。大多数现有方法通过生成伪真实（PGT）来解决这个问题。然而，生成的PGT通常是次优的，他们的不精确性最终会导致性能下降。为了减轻这个问题，在本文中，我们提出了一个新颖的内容风格解耦化妆迁移（CSD-MT）方法，该方法在纯粹的无监督方式下工作，从而消除了生成PGT的负面影响。具体来说，根据频率特征分析，我们假设面部图像的低频（LF）组件...
人类天生会保留永久元素的记忆，而短暂的时刻通常会从记忆中溜走。这种选择性记忆对于机器人感知、定位和映射至关重要。为了赋予机器人这种能力，我们引入了3D高斯映射（3DGM），一种基于3D高斯膨胀的自我监督相机仅离线映射框架。3DGM将同一区域的多层RGB视频转换为高斯基环境地图，同时进行2D短暂物体分割。我们的关键观察是，在遍历过程中，环境保持一致，而对象经常发生变化。这使我们能够利用重复遍历...
本文提出了一种混合方法，将基于方法的关注无监督词汇分类方法与Dirichlet过程相结合。This paper presents a mixture version of the method-of-moment unsupervised lexicon classification by an incorporation of a Dirichlet process.https://arxiv.org/abs/2405.17116https://arxiv.org/pdf/2405.17116.pdf
近年来，在无需监督的情况下，从单目视频中学到深度视觉的兴趣有所增加。这个领域的一个关键挑战是在具有弱纹理或存在动态物体的挑战性场景中实现稳健和准确的深度估计。本研究通过深入研究密集匹配先验，为现有框架提供了明确的几何约束，从而做出了三个主要贡献。第一项创新是一个基于估计自 ego 运动对密集匹配进行三角化的上下文几何深度一致性损失，它通过从估计自 ego 运动的深度图来指导深度感知的...
特征变换是从原始特征中提取新特征集以增强数据的人工智能能力。在许多科学领域，如材料性能筛选，特征变换可以建模材料公式之间的相互作用和组合，并发现性能驱动因素。然而，在收集数据和进行昂贵实验的过程中，需要收集有监督标签。这个问题激起了无监督特征转换学习（UFTL）问题。先前的文献，如手动转换、有监督反馈引导搜索和主成分分析（PCA），要么依赖于领域知识，要么受到大的搜索空间的影响，或...
实体对齐（EA）的目的是通过确定等价的实体对来合并两个知识图（KG）。然而，现有的方法在很大程度上依赖于人类生成的标签，因此在现实场景中，纳入跨领域专家进行标注成本太高。大型语言模型的出现为使用注释自动化EA提供了新的途径，受到它们全面处理语义信息的能力的启发。然而，直接将LLM应用于EA也是具有挑战性的，因为现实世界的KG中存在大量的标注空间。LLM还可能生成噪声标签，可能会误导对齐。为...
无监督地分离内容和变换最近引起了很多研究, 因为它们在解决下游无监督任务(如聚类、对齐和形状分析)方面的有效性。 这个问题在分析面向形状的现实生活中科学图像数据集方面尤为重要, 这些数据集的下游任务具有重要性。 现有的工作通过明确地参数化变换因素来解决这个问题, 明显减少了它们的表达性。 此外, 在无法直接参数化变换的情况下, 它们不适用。 类似于这样的明确方法之外的一种选择是自监督方法与...
图像配准估计估计在成对图像之间的空间对应关系。这些估计通常通过深度网络的数值优化或回归来获得。具有这种估计器的一个良好特性是对输入图像的一对图像之间的对应关系保持不变。具体来说，估计器应对输入图像的变形保持等价。在本文中，我们仔细分析了在多级深度配准网络中实现所需等价性的愿望。根据这些分析，我们1）引入了$[U,U]$等价性（网络对输入图像相同变形保持等价性）和$[W,U]$等价性（输入图...
近年来，用于建筑结构的人造材料劣化问题已成为一个严重的社会问题，增加了检查的重要性。非破坏性测试由于能够检测到结构中的缺陷和恶化而受到越来越多的需求。在这些方法中，激光超声波可视化测试（LUVT）脱颖而出，因为它允许可视化超声波传播。这使得通过视觉检测缺陷变得直观，从而提高了检查效率。随着劣化结构的增加，缺乏检验员和无损测试工作量增加等问题日益突出。为解决这些问题，包括利用机器...