CVPR2020 |结合业务场景，腾讯如何做不完美场景的神经网络优化？

作为计算机视觉领域的三大国际会议之一，CVPR每年吸引了来自世界各地的许多专业人士。例如，2019年，CVPR登记的参与者人数达到9 227人，这是有史以来最高的数字。其中，来自中国的与会者人数达到1044人，仅次于会议举办地美国(4743人)。

CVPR 2020原定于6月16日至20日在华盛顿州西雅图的华盛顿州会议中心举行。然而，当前全球疫情形势严峻，越来越多的国际人工智能峰会将开始转向网上，包括CVPR。

虽然我们不能去现场交流，但这不能阻止我们学习的热情。

为了与读者分享更多高质量的CVPR内容，在2020年CVPR奥运会开幕之前，这部机器的核心将计划多个在线分享环节。这是CVPR 2020在线分享的第三阶段。我们邀请了腾讯优图实验室高级研究员路易分享主题“噪声学习与协作学习:不完美场景下的神经网络优化策略”。他将结合CVPR 2020等高层会议的相关论文，详细阐述数据和模型缺陷条件下神经网络的有效训练方法。

分享主题:嘈杂学习与合作学习:不完美情境下的神经网络优化策略

内容摘要:深度学习的成功得益于大量的数据和深厚的网络模型。然而，数据和模型往往不是特别理想。例如，数据中存在大量的标签噪声，或者考虑到模型的推理速度，神经网络的层数不能特别深。如何针对这些情况有效地训练神经网络是深度学习领域的一个热门话题。特别是对于业务场景，数据往往有很多缺陷，因此模型能够自适应地从缺陷数据中学习是业务成功的保证。本讲座将详细解释在数据和模型缺陷的情况下神经网络的有效训练方法。相关技术已经登陆了腾讯的许多商业场景(行人再识别、内容审查等)。)。

现场直播:北京时间5月13日19:00-20:00

在直播开始之前，我们提供了一份相关论文的清单，以方便读者提前备课。

嘈杂学习文章列表:

深层神经网络标签噪声下的鲁棒损失函数

带噪声标签的深度神经网络训练的广义交叉熵损失

LDMI:一种新的信息论损失函数，用于训练对标签噪声鲁棒的深层网络，神经网络2019

对等损失函数:在不知道噪声率的情况下从噪声标签中学习(正在审查)

合作教学:具有高噪声标签的深层神经网络的稳健训练，神经网络2018

从嘈杂的标签中深度自学，ICCV 2019

AAAI 2020非对称合作教学的非监督跨领域人员再识别

协作学习文章列表:

结合有标签和无标签的数据和共同训练，1998年

深度相互学习，2018年

深层神经网络的滤波移植，CVPR 2020

DGD:用过滤器移植和知识蒸馏浓缩神经网络知识(正在审查中)

本文由 在线网速测试 整理编辑，转载请注明出处。