ICCVMay, 2019

基于上下文连接的无约束视频人脸识别轨迹不确定性建模

PDF
TL;DR本文中，我们提出了一种名为 “Uncertainty-Gated Graph（UGG）” 的图形模型，用于在视频中进行人脸识别并在最近公开的具有挑战性的 Cast Search in Movies 和 IARPA Janus Surveillance Video Benchmark 数据集中达到最新的成果，UGG 可以通过环境连接进行身份传播，并通过适应性地更新边缘门的权重来显式地建模噪声上下文连接的不确定性。
发现论文，激发创造
  • 使用不确定性感知图网络进行航空图像目标检测

    本研究提出了一种新颖的基于结构图的不确定性物体检测框架，使用图神经网络和语义空间相似性来考虑物体之间的关系，实验结果表明该框架在提高不确定物体检测准确性方面取得了显著效果。

    Aug, 2022

  • 视频中无偏场景图生成

    该研究提出了一个名为 TEMPURA 的框架，通过基于 Transformer 的序列建模，学习合成无偏差的关系表示，并使用高斯混合模型来减少视觉关系的预测不确定性，从而解决视频动态场景的场景图生成中存在的多种问题。该方法在生成更加无偏的场景图方面具有显著的优势。

    Apr, 2023

  • 基于关系图神经网络的不确定性感知的少样本知识图谱补全

    通过利用高斯分布对有限数据进行建模，我们提出了一种新颖的不确定性感知少样本知识图完成框架（UFKGC），该框架能更好地理解有限数据并提高鲁棒性，实验证明与竞争对手相比，在两个基准数据集上取得了出色的性能。

    Mar, 2024

  • 场景图生成的语义歧义概率建模

    本研究提出了一种新的 Probabilistic Uncertainty Modeling（PUM）模块，通过对不确定性建模实现具有多样性的场景图预测，并与 ResCAGCN 模型相结合，在 Visual Genome 基准测试中取得了最先进的性能。

    Mar, 2021

  • 基于上下文的迁移学习和高效迭代学习用于无偏场景图生成

    CITrans 是一种逐步增强数据训练的插拔式方法，使用上下文限制的转移和高效迭代学习来解决不平衡的预测问题，达到了与最先进结果相媲美的效果，并且具有高效性。

    Dec, 2023

  • 用于视频理解的统一图结构模型

    本文提出了一种基于信息传递的图神经网络，能够精确理解视频中行为者、对象和环境之间的关系，在显式表示对象时能够使用显式表示，否则使用隐含表示；在 AVA 和 UCF101-24 的时空行为检测以及最近的 Action Genome 数据集上的视频场景图分类等任务中，实现了最先进的结果，我们定量和定性的显示了我们的方法如何更有效地模拟场景中相关实体之间的关系。

    Mar, 2021

  • 基于上下文感知的迭代图推理在视觉对话中的应用

    本文提出了一种上下文感知图神经网络（Context-Aware Graph，CAG），通过自适应的前 K 个节点的信息传递机制，迭代更新每个节点（既包括視觉类、又包括历史关联类特征）的图结构，从而实现关系推理。此方法在 VisDial v0.9 和 v1.0 数据集上得到了有效验证。

    Apr, 2020

  • 不确定性感知的无监督多目标追踪

    通过开发一个基于不确定性的度量标准，以验证和矫正风险的关联，本论文提出了一种通过模拟 tracklets 运动来增强学习特征一致性的 tracklet-guided 增强策略，同时采用分层不确定性采样机制进行难样本挖掘。最终的无监督 MOT 框架，即 U2MOT，在 MOT-Challenges 和 VisDrone-MOT 基准测试中被证明有效，取得了领先于其他已发表的监督和无监督跟踪器的性能。

    Jul, 2023

  • 图学习的不确定性量化：一项综述

    对图形模型中的不确定性进行量化的最新方法进行了概述，并将其组织为不确定性表示和处理方法，以加深对图形模型中不确定性量化方法的理解，从而提高其在关键应用中的效果和安全性。

    Apr, 2024

  • 面向场景的图卷积网络在目标重新识别中的应用

    本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。

    Dec, 2020