EMNLPAug, 2018

基于语义单元的膨胀卷积用于多标签文本分类

PDF
TL;DR该研究提出了一种基于序列到序列学习的多标签文本分类模型，其使用了多级膨胀卷积和相应的混合注意机制来生成更高级的语义单元表示，并且有效地减少了维度和支持了接收域的指数级扩展。实验结果表明，该模型在数据集 RCV1-V2 和 Ren-CECps 上具有显著优势，并且分析表明该模型与确定性分层模型相当，同时更具有对低频标签进行分类的鲁棒性。
发现论文，激发创造
  • 空洞卷积多尺度上下文聚合

    本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

    Nov, 2015

  • 基于文本注意力的卷积神经网络用于场景文本检测

    本文提出了一种基于卷积神经网络的文本 - 卷积神经网络 (Text-CNN) 用于场景文本检测的系统，并通过多层和丰富的监督信息，包括文本区域掩模、字符标签和二分类文本 / 非文本信息来训练 Text-CNN 以提高其判别效能和鲁棒性。最终，该方法在 ICDAR 2013 数据集上取得了很好的效果。

    Oct, 2015

  • SLCNN：用于文本分类的句子级卷积神经网络

    本文研究了使用卷积神经网络的文本分类的新基准模型，在这些模型中，将文档作为三维张量表示进行输入，从而实现了句子级分析，经实验证明该模型在长文档特别表现良好。

    Jan, 2023

  • 临床文本医疗编码分配的膨胀卷积注意力网络

    本文提出了一个 Dilated Convolutional Attention Network（DCAN），该模型通过密集卷积、残差连接和标签关注机制，能够更好地处理长序列且有长期相关性的医学文本，能够改进现有模型在医疗代码分配任务上的表现。

    Sep, 2020

  • 理解卷积在语义分割中的应用

    该论文提出了一种改进像素级语义分割的深度学习方法，其中涵盖了密集上采样卷积和混合空洞卷积框架，达到了在 Cityscapes 等数据集上的最先进结果。

    Feb, 2017

  • 使用注意力卷积序列建模技术识别场景文本

    本文提出了基于注意力卷积网络的端到端场景文本识别方法，通过卷积神经网络 (CNN) 代替循环神经网络 (RNN) 来实现输入序列的上下文依赖关系的准确捕捉，提高了识别效率，并结合残余注意力模块进一步提高特征识别的准确性。该方法在多个数据集上验证结果显示了显著的性能优势。

    Sep, 2017

  • 重新审视空洞卷积：一种用于弱监督和半监督语义分割的简单方法

    通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有 1,464 个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了 60.8％和 67.6％的高精度分割效果，成为当前最优秀的模型。

    May, 2018

  • 使用循环扩张卷积神经网络分类长的连续数据

    本文提出了一种基于循环膨胀卷积神经网络（Circular Dilated Convolutional Neural Network，CDIL-CNN）的对称多尺度架构，旨在解决长序列数据分类问题中 TCN 方法因使用不平衡连接协议和类别输出限制性等问题表现不佳的问题。研究者使用 CDIL-CNN 在多个长序列数据集上进行了测试，结果表明其较之前其他方法表现更出色。

    Jan, 2022

  • 一种混合卷积和双向 LSTM 网络中循环探索类别关注的方法，用于多标签航空图像分类

    本文提出 CA-Conv-BiLSTM 网络，用于航空图像多标签分类。该网络利用三个不可少的部件提取语义特征图，捕获具有可辨别性的类特定特征，并在双向 LSTM 子网络中建模底层类依赖关系，从而产生结构化的多对象标签。实验证明，该模型在 UCM 多标签数据集和 DFC15 多标签数据集上具有定量和定性的有效性。

    Jul, 2018

  • 用于文本分类的深层卷积神经网络

    本文介绍了一种新的基于 VDCNN 的文本处理体系结构，通过使用 29 个卷积层，仅使用小型卷积和池化操作，该模型的性能得到了提高，并且在多个公共文本分类任务上，相对于现有模型，且在文本处理中使用非常深的卷积神经网络实现了最先进水平。

    Jun, 2016