发表服务
研究者提倡在训练和测试时都采用非参数化方法。他们将实例级别的分类看作度量学习问题，其中实例之间的距离（相似度）是以非参数方式直接从特征中计算得到的。也就是说，每个实例的特征都存储在离散的内存块中，而不是网络中的权重。
CVPR2018|Spotlight论文：非参数化方法实现的极端无监督特征学习。如果我们在没有语义信息的情况下学习区分单独实例，那幺我们最终可能会得到一个可以捕获实例间的表面相似性的特征表示，就像类监督学习在类别间仍然保留表面相似性那样。
Spotlight论文：非参数化方法实现的极端无监督特征学习。大多数成功的模型都是通过监督学习进行训练的，而这需要大量的依任务类型而定的特定标注数据集。
CVPR2018Spotlight论文：非参数化方法实现的极端无监督特征学习.本研究受监督学习中的输出排序的启发，指出数据本身的表面相似性而非语义标签，使得某些类比其他类更加接近。.研究者据此提出了一种极端化的无监督学习方法，主要特点是非参数化训练、实例级判别（一个实例视为一个类）。.在ImageNet上的实验结果表明，该方法在图像分类方面远超过最...
“非参数化”方法是一种克服这种局限性的技术，能得到不依赖具体数学函数模型的一般性结果。2017年国家天文台赵公博研究员等在顶级期刊NatureAstronomy发表了一篇著名的暗能量重构文章，就采用了这种方法。
原论文名称：Non-parametricModelforBackgroundSubtraction原作者：AhmedElgammal,DavidHarwood,LarryDavis出处：ECCV会议,2000.KDE2000是使用KernelDensityEstimation（KDE）做背景建模的基础算法之一，目前被引用的次数已经超过了1500次
题主所说的非线性参数化方法，粗略的讲，就是待定系数，固定非线性函数形式，然后通过数据来估计系数。从非线性参数化方法角度考虑，可以分成两类，单隐含层神经网络没有利用函数的复合，而多层神经网络要利用函数的复合。
最近有两篇论文（均出版于2016年）为这个问题提供了前沿的解决方案。End-to-EndRelationExtractionusingLSTMsonSequencesandTreeStructures(byMiwaandBansal)的论文展示了一个利用双堆栈网络的方法:一个双向LSTM做实体检测（它创建一个实体的嵌入），另外一个Tree-basedLSTM用于检测出找到的实体之间链接关系。
说参数化的优点，一定得从修改开始说起，设计的零部件，都不是一成不变的，需要进行优化，需要根据不同的需求进行修改。.所以参数化和非参数化就有很大区别了。.参数化方便修改，非参数化不方便调整。.参数化最大的贡献就是用数字描述数模。.一个零件的长宽高，特征的大小，特征与特征之间的角度都可以用数字来描述。.这样的好处是当你需要修改...
最后，通过关键点匹配拟合解算出每个物体的6D位姿。已位姿识别非参数化标准数据集中，ParametricNet在位姿估计准确率上大幅优于最新方法（达15%）。另外，本文还构建了一个参数化零件堆叠数据集，为工业零件场景理解技术研究奠定大规模数据基础。
研究者提倡在训练和测试时都采用非参数化方法。他们将实例级别的分类看作度量学习问题，其中实例之间的距离（相似度）是以非参数方式直接从特征中计算得到的。也就是说，每个实例的特征都存储在离散的内存块中，而不是网络中的权重。
CVPR2018|Spotlight论文：非参数化方法实现的极端无监督特征学习。如果我们在没有语义信息的情况下学习区分单独实例，那幺我们最终可能会得到一个可以捕获实例间的表面相似性的特征表示，就像类监督学习在类别间仍然保留表面相似性那样。
Spotlight论文：非参数化方法实现的极端无监督特征学习。大多数成功的模型都是通过监督学习进行训练的，而这需要大量的依任务类型而定的特定标注数据集。
CVPR2018Spotlight论文：非参数化方法实现的极端无监督特征学习.本研究受监督学习中的输出排序的启发，指出数据本身的表面相似性而非语义标签，使得某些类比其他类更加接近。.研究者据此提出了一种极端化的无监督学习方法，主要特点是非参数化训练、实例级判别（一个实例视为一个类）。.在ImageNet上的实验结果表明，该方法在图像分类方面远超过最...
“非参数化”方法是一种克服这种局限性的技术，能得到不依赖具体数学函数模型的一般性结果。2017年国家天文台赵公博研究员等在顶级期刊NatureAstronomy发表了一篇著名的暗能量重构文章，就采用了这种方法。
原论文名称：Non-parametricModelforBackgroundSubtraction原作者：AhmedElgammal,DavidHarwood,LarryDavis出处：ECCV会议,2000.KDE2000是使用KernelDensityEstimation（KDE）做背景建模的基础算法之一，目前被引用的次数已经超过了1500次
题主所说的非线性参数化方法，粗略的讲，就是待定系数，固定非线性函数形式，然后通过数据来估计系数。从非线性参数化方法角度考虑，可以分成两类，单隐含层神经网络没有利用函数的复合，而多层神经网络要利用函数的复合。
最近有两篇论文（均出版于2016年）为这个问题提供了前沿的解决方案。End-to-EndRelationExtractionusingLSTMsonSequencesandTreeStructures(byMiwaandBansal)的论文展示了一个利用双堆栈网络的方法:一个双向LSTM做实体检测（它创建一个实体的嵌入），另外一个Tree-basedLSTM用于检测出找到的实体之间链接关系。
说参数化的优点，一定得从修改开始说起，设计的零部件，都不是一成不变的，需要进行优化，需要根据不同的需求进行修改。.所以参数化和非参数化就有很大区别了。.参数化方便修改，非参数化不方便调整。.参数化最大的贡献就是用数字描述数模。.一个零件的长宽高，特征的大小，特征与特征之间的角度都可以用数字来描述。.这样的好处是当你需要修改...
最后，通过关键点匹配拟合解算出每个物体的6D位姿。已位姿识别非参数化标准数据集中，ParametricNet在位姿估计准确率上大幅优于最新方法（达15%）。另外，本文还构建了一个参数化零件堆叠数据集，为工业零件场景理解技术研究奠定大规模数据基础。
发表服务