经验复习(Episodic Training)是每次成功或失败都会重置代理环境的训练方法，是训练有机体强化学习(RL)代理的事实上的标准。该假设环境可以轻松重置是Practically限制的，因为在现实世界中重置通常需要人类努力，并且在模拟中计算成本很高，而哲学上，我们希望智能代理能够连续学习而不需要干预。没有重置的工作(即 Reset-Free RL,RF-RL)具有前途，但面临着不可逆过渡的问题(例如，一个物体断裂)，这导致学...
我们提出一种 novel 的非监督暗光图像增强方法，缩写为 CLIP-LIT，通过探索对比语言-图像预训练(CLIP)在像素级别图像增强方面的潜力。我们表明，开放世界的 CLIP 先前不仅可以帮助区分暗光和明亮的图像，还可以感知具有不同亮度的异质区域，促进增强网络的优化。与高级和图像操纵任务不同，直接应用 CLIP 到增强任务是一个巨大的挑战，因为很难找到准确的提示。为了解决这一问题，我们设计了一个提示学习框...
在语义分割中移除监督仍然是一项棘手的任务。当前的方法可以处理常见的分类模式，但仍然采用了多级架构。我们设计了一个全新的端到端模型，利用局部-全局匹配来预测对象的分类、良好的定位、区域和形状，以进行语义分割。该局部-全局匹配是由最优运输计划满足区域限制 near a solution for exact shape prediction 被迫的。我们的模型在弱监督语义分割方面达到了最先进的水平，仅使用图像标签，在PascalVOC...
语法错误纠正(GEC)是自然语言处理技术中的挑战性任务。虽然这种方法更多地用于英语或中文等通用语言，但对于资源有限的语言来说，做相对较少的工作，因为没有大型注释 corpora。在资源有限的语言中，目前基于语言模型评分的 unsupervised GEC 表现良好。然而，在这种情况下，仍需要探索预训练语言模型。本文提出了基于 BERT 的 unsupervised GEC 框架，将GEC视为多类分类任务。框架包含三个模块：数据流构...
监督的关键点定位方法依赖于大型手动标注的图像数据集，这些物体可以变形、 articulate 或 occlusion。然而，创建这样的大型关键点标签需要时间和成本，而且由于不一致的标注常常导致错误。因此，我们希望有一种方法可以学习少数但 consistently 标注的图像，以满足不同物体类别的关键点定位。我们提出了一种新 formulation，学习语义一致性的关键点定义，即使对于 occlusion 区域也不例外，为多种物体类别...
无监督域转换方法(UDA)专注于将标记源域的训练模型转换为未标记的目标域。UDA方法有一个强有力的假设，即源数据在转换期间是可用的，这在许多现实世界场景中可能无法实现，因为隐私和设备资源限制的问题。在这方面，无标记域转换(SFDA) excels，因为在转换期间不再需要访问源数据。最近，SFDA领域的最新前沿技术主要关注基于伪标签的自我训练，这种自我训练通常面临两个问题：第一，不可避免的噪声伪标签可...