![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
因果
文章平均质量分 92
zzl_1998
XMU
展开
-
Adversarial Visual Robustness by Causal Intervention
Adversarial Examples. Defenders用于提高对抗鲁棒性,一些defenders受biological vision systems启发。整体来说,可以分为五类:(1) adversarial training; (2) data augmentation; (3) generative classifier; (4) de-nosing; (5) certified defense.Causality in Computer Vision. 造成对抗扰动的混淆因子通常是不可见.原创 2021-06-28 22:39:39 · 393 阅读 · 0 评论 -
【Counterfactual】Counterfactual Zero-Shot and Open-Set Visual Recognition
摘要1. 本文提出一种适用于Zero-Shot Learnning (ZSL)和Open-Set Recognition (OSR)任务的反事实框架。这两个任务的共同挑战:仅在seen-classes上训练的情况下,如何提高在unseen-classes上的泛化能力。2. 当前方法存在的问题:在seen-classes和unseen-classes上的识别率不均衡。根因在:Generation is not Counterfactual Faithful (保真)。3. 假设每个sample..原创 2021-05-20 19:57:38 · 1060 阅读 · 0 评论 -
【Causal-SGG】Unbiased Scene Graph Generation from Biased Training
AbstractScene Graph Generation (SGG) 存在严重的训练偏置(例如:human walk on/ sit on/ lay on beach 会坍缩成human on beach)。对于这种SGG,下游任务VQA很难推理出很好的场景结构。 SGG中传统的去偏置方法很难区分好偏执(person read book而不是eat)和坏的长尾偏置(near相较于behind/ in front of)。 本文基于causal inference而不是似然建立SGG框架。 ..原创 2021-04-22 22:21:53 · 621 阅读 · 0 评论 -
【因果学习】VC RCNN(CVPR 2020)代码
作者基于MaskRCNN框架(Detectron2的前身)开发。受Bottom-Up and Top-Down Attention for Image Captioning andVQA启发,使用Mask RCNN作为Bottom-Up的backbone,为Downstream任务例如Image Captioning、VQA等提供图片特征。论文中提到,去掉了RPN,使用GT bbox作为输入,训练的损失修改为:测试阶段,则变为特征提取阶段,通过ROI_HEAD输出的特征,认为是VC Feat..原创 2020-10-28 17:34:07 · 654 阅读 · 2 评论