最先进的视频动作分类器通常会遭受过度拟合的痛苦。它们往往会偏向特定的对象和场景提示，而不是前景动作内容，从而导致次级概括性能。据报道，最近的数据增强策略可以解决静态图像分类器中的过度拟合问题 ...

模拟物理系统是科学计算的核心组成部分，包括广泛的物理领域和应用。最近，数据驱动的方法激增，以补充传统的数值模拟方法，这是由减少计算成本和/或学习利用访问大量数据的新物理模型的机会的动机。但是，问题设置和应用的多样性导致了多种方法，每个方法都在不同的设置和不同的评估指标上进行了评估 ...

大型语言模型在各个领域都表现出色，但由于长序列推理所需的不断扩展的键值（KV）缓存，在内存和时间效率方面遇到了挑战。最近的努力尝试通过在运行时驱逐大量非关键缓存元素来将 KV 缓存大小减少到给定的内存预算，同时保持生成质量。我们对当前驱逐方法的重新审视表明，它们从根本上最小化了多头自注意力机制驱逐前和驱逐后输出之间 $L_1$ 驱逐损失的上限 ...

我们解决了视频动作识别的数据增强问题。视频中的标准增强策略是手工设计的，并随机对可能的增强数据点的空间进行采样，而不知道哪些增强点会更好，或者是通过启发式方法。我们建议学习是什么使良好的视频供行动识别，并仅选择高质量的样本进行增强 ...

已广泛研究了高级数据增强策略，以提高深度学习模型的概括能力。区域辍学是一种流行的解决方案之一，它通过随机删除图像区域来指导模型关注较小的判别零件，从而改善正则化。但是，此类信息删除是不可取的 ...

本文研究了大规模3D点云的语义分割中无法区分的点（难以预测标签）。难以区分的点由位于复杂边界的那些，具有相似局部纹理但类别不同的​​点以及分离小的硬区域中的点，这在很大程度上损害了3D语义分割的性能。为了应对这一挑战，我们提出了一个新的不可分割的区域焦点网络（IAF-NET），该网络通过利用层次的语义特征来选择不可区分的点，并增强了点的细粒度特征，尤其是那些无法区分的点 ...

生成动态数据流的最新普遍设备的激增突显了学习系统不断适应数据分布变化的必要性。为了应对这一挑战，研究界提出了一系列方法论，包括在没有重播数据的情况下对课堂学习的要求进行要求。在这项研究中，我们提出了一种参数隔离方法，旨在显着提高无重播解决方案的性能并在几个广泛研究的数据集中获得最新的结果 ...

斑点喷涂是一种有效且可持续的方法，用于减少农业领域中使用的农药量，尤其是除草剂的数量。为了实现这一目标，可靠地区分农作物和杂草，甚至在实时条件下，甚至在各个杂草物种之间，至关重要。为了评估对实时应用的适用性，比较了当前最新的不同对象检测模型 ...