江苏龙网

  1. 首页 > 资讯 > 科技 > >

|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述( 二 )


近日 ， 由微软研究院、北京大学和清华大学共同发表了一篇论文 ， 文中提出的新型图表推荐框架 Table2Charts 可以高效地解决创建图表问题 。 在具有 196000 个表和 306000 个图表的大型电子表格语料库中 ， 该研究展示了 Table2Charts 可以学习表字段的共享表示 ， 这样不同图表类型的任务就可以相互增强 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

DQN 的模型架构 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

评价结果 。 混合和迁移范式（Transfer）通常比单独训练（Lone）和仅混合模式（Mixed）效果更好 。 Transfer 的评价标准 R@1 超过了其他两种方法 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

每个点代表一个字段 ， 颜色代表其字段类型 。 图中可以清楚地看到通过嵌入学得的字段类型信息 。
推荐：面对数据表时 ， 很多人通常不清楚应该创建什么样的图表分析 。 在这种场景中 ， 你需要一个智能助手 ， 可以帮你更好的生成图表分析 。
论文 4：CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending
作者：Hang Xu、Shaoju Wang、Xinyue Cai 等
论文链接：https://arxiv.org/pdf/2007.12147.pdf
摘要：在本文中 ， 来自华为诺亚方舟实验室和中山大学的研究者提出了一种端到端的车道线架构搜索框架 ， CurveLane-NAS 该框架旨在解决现阶段车道线检测模型计算量大且不大适宜落地的难题 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

不同方法下的车道检测实测比较 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

模型架构图 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

网络架构搜索流程图 。
推荐：实验表明 ， 该框架在 CULane 等公开数据集上实现了新的 SOTA 。
论文 5：Transfer Learning in Deep Reinforcement Learning: A Survey
摘要：在本文中 ， 来自密歇根州立大学的研究者对强化学习（RL）问题设置中的迁移学习进行了综述 。
他们回顾了强化学习领域中迁移学习的焦点问题 ， 提供了当前最优技术的系统分类 。 研究者分析了这些方法的目标、方法论和应用 ， 还从强化学习的角度探讨了迁移学习与其他相关主题的关系 。 最后探讨了强化学习中迁移学习的潜在挑战和未来发展方向 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

本研究涵盖的主题 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

策略迁移方法的比较 。
|7 Papers| 华为诺亚车道线检测方法；网络表示学习综述
本文插图

任务之间（inter-task）映射方法的比较 。
推荐：一作 Zhuangdi Zhu 为密歇根州立大学计算机科学与工程系博士生 。
论文 6：Survey of Network Representation Learning
作者：Ding Yu、Wei Hao、Pan Zhi-Song、Liu Xin
论文链接：http://www.jsjkx.com/CN/10.11896/jsjkx.190300004
摘要：网络是一系列节点和边的集合 ， 通常表示成一个包含节点和边的图 。 许多复杂系统都以网络的形式来表示 ， 如社交网络、生物网络和信息网络 。 为了使网络数据的处理变得简单有效 ， 针对网络中节点的表示学习成为了近年来的研究热点 。 网络表示学习旨在为网络中的每个节点学习一个低维稠密的表示向量 ， 进而可将得到的向量表示运用到常见的网络分析任务中 ， 如节点聚类、节点分类和链路预测等 。


推荐阅读


上一篇：|特区风华?|“中国电子第一街”书写华强北不老传奇

下一篇：|中秋获奖攻略｜医生站华为手环、蓝牙耳机……怎么得？