Mengye Ren

K. Wong，，，，S. Wang，，，，M. Ren，，，，M. Liang，，，，R. Urtasun
我们为点云提出了一种新颖的开放式实例分割算法，该算法可以识别已知类别和未知类别的实例。特别是，我们训练一个深度卷积神经网络，该网络指出了属于同一实例的类别嵌入空间中的同一实例。[PDF]
机器人学习会议（Corl），2019年

M. Ren，，，，R. Liao，E。Fetaya，R。Zemel
本文解决了这个问题，即逐步的射击学习，其中已经对常规分类网络进行了培训以识别一组基础类，并且正在考虑几个额外的新颖类，每个类别只有几个标记的示例。在学习了新颖的类别后，然后对模型进行了基础和新颖类的整体分类性能的评估。为此，我们提出了一个元学习模型，即引起人们的注意吸引力网络，该网络正常学习新颖的课程。[PDF]
神经信息处理系统会议（神经），2019年

C.张，，，，M. Ren，，，，R. Urtasun
神经体系结构搜索（NAS）自动找到最佳的特定任务神经网络拓扑，表现优于许多手动体系结构设计。但是，由于搜索需要培训数千种不同的网络，而每个网络都可以持续数小时，因此它可能非常昂贵。在这项工作中，我们提出了图形超网（GHN）以摊销搜索成本：给定体系结构，它通过在图形神经网络上运行推断直接生成权重。[...][PDF]
元学习研讨会 @神经信息处理系统（神经），2018年

M. Ren，，，，W. Zeng，，，，B.杨，，，，R. Urtasun
深层神经网络已被证明是非常强大的建模工具，用于许多涉及复杂输入模式的监督学习任务。但是，他们也可以轻松地过度地融入训练套件和标签噪声。[...][PDF]
国际机器学习会议（ICML），2018年

M. Ren，，，，A. Pokrovsky，，，，B.杨，，，，R. Urtasun
传统的深卷积神经网络（CNN）在所有特征地图上均匀地应用卷积操作员，以数百层的形式应用 - 这造成了实时应用的高计算成本。对于许多问题，例如对象检测和语义分割，我们能够从先验问题知识或低分辨率分割网络中获得低成本的计算掩码。[...][PDF]
计算机视觉和模式识别会议（CVPR），2018年

Y. Wu，M. Ren，，，，R. Liao，R。Grosse
仔细调整学习率，甚至是其时间表，对于有效的神经净训练至关重要。最近，人们对基于梯度的元优化，其中一个调音超级参数甚至学习优化器，以最大程度地减少训练过程时的预期损失。[...][PDF]
国际学习代表会议（ICLR），2018年

M. Ren，E。Triantafilou，S。Ravi，J。Snell，K。Swersky，J。Tenenbaum，H。Larochelle，R。Zemel
在几次分类中，我们有兴趣学习仅从少数标记的示例中训练分类器的算法。几次分类中的最新进展具有元学习的特征，其中为学习算法的参数化模型在代表不同的分类问题的情节上定义和培训，每个都带有一个小标记的训练集及其相应的测试集。[...][PDF]
代码和数据集：[关联]
国际学习代表会议（ICLR），2018年

A. Gomez，M. Ren，，，，拉奎尔·乌尔塔森（Raquel Urtasun），R。Grosse
残留网络（RESNET）表现出对图像分类的传统卷积神经网络（CNN）的显着改善，随着网络既增进又更宽的性能，性能的提高。但是，记忆消耗成为一种瓶颈，因为人们需要存储所有使用反向传播来计算梯度的中间激活。[...][PDF]
神经信息处理系统的进步（神经），2017年

M. Ren，R。Zemel
尽管卷积神经网络最近在解决结构化预测问题（例如语义分割）方面取得了令人印象深刻的成功，但要区分场景中的单个对象实例仍然是一个挑战。实例细分在各种应用中非常重要，例如自动驾驶，图像字幕和视觉问题答案。[...][PDF]
补充材料：[关联]
代码：[关联]
计算机视觉和模式识别会议（CVPR），2017年

M. Ren，，，，R. Liao，，，，R. Urtasun，F。H。Sinz，R。Zemel
正常化技术直到最近才开始在监督的学习任务中得到利用。分批归一化利用了迷你批量统计来使激活归一化。证明这可以加快训练的速度，并导致更好的模型。但是，在处理经常性神经网络时，其成功非常有限。另一方面，层归一化使一层中所有活动的激活归一化。证明这在经常性环境中效果很好。在本文中，我们提出了统一技术的统一视图，作为分裂归一化的形式，其中包括层和批归归式化作为特殊情况。[...][PDF]
国际学习代表会议（ICLR），2017年