AAAI 2021最「严」一届放榜：录取率仅21%，网易伏羲9篇论文入选

在这项工作中，我们发现主要原因来自于对大梯度区域的不正确的深度估计，从而使双线性插值误差随着分辨率的提高而逐渐消失。为了在大的梯度区域中获得更准确的深度估计，必须获得具有空间和语义信息的高分辨率特征。

因此，我们提出了一种改进的DepthNet HR-Depth，它具有两种有效的策略：（1）重新设计DepthNet中的跳跃连接以减少编码器和解码器之间的语义鸿沟;（2）提出特征融合Squeeze-and-Excitation（fSE）模块以更有效地融合特征。使用Resnet-18作为编码器，HR-Depth在高分辨率和低分辨率场景中都超越了所有现有技术，同时具有更少的参数。此外，以前的最新方法是基于相当复杂的深度网络，具有大量参数从而限制了它们的实际应用。因此，我们还构建了一个使用MobileNetV3作为编码器的轻量级网络。

（网络结构图示）

（估计结果图示）

实验表明，轻量级网络可以以仅20％的参数与许多大型模型（如Monodepth2）以高分辨率相媲美。

6、结合解耦通用值函数的强化学习商品推荐

（Reinforcement Learning with a Disentangled Universal Value Function for Item Recommendation）

关键词：强化学习、商品推荐

近年来，将强化学习结合到推荐系统中，引起了人们极大的兴趣，也带来了新的挑战。本文总结了基于强化学习的大规模推荐系统在实际应用中面临的三大挑战，并研发了一种基于 goal-based 的强化学习框架 GoalRec。

（解耦值函数的强化学习推荐框架）

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!