May, 2019

视觉关系检测和场景图生成的上下文翻译嵌入

PDF
TL;DR提出一种基于 VTransE 方法的上下文增强翻译嵌入模型，可以捕捉常见和罕见关系，进而提升图像理解能力。该模型可以有效地识别已知关系和未知关系，同时在多个基准测试中取得了优秀的表现，特别是在场景图生成任务中表现尤为突出。
image understandingrelation tripletstranslation embedding modelcontextual informationscene graph generation
发现论文，激发创造
  • 可视化翻译嵌入网络用于视觉关系检测

    提出了一种新的基于关系表示学习和卷积物体检测网络的视觉关系检测方法 VTransE，该方法可以有效地定位和预测复杂的视觉关系三元组，同时在两个大规模数据集上验证了其有效性。

    Feb, 2017

  • 深度监督的多模态注意力翻译嵌入在视觉关系检测中的应用

    本论文提出了一种新的基于深度学习的架构 —— 多模态注意力翻译嵌入模型，该模型使用多模态关注机制驱动每个分支的视觉特征，并在常用的 VRD 数据集上的实验表明，该方法明显优于其他相关方法。

    Feb, 2019

  • TransEdge: 面向知识图谱的关系上下文嵌入翻译

    本文提出了一种基于边的嵌入模型 TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

    Apr, 2020

  • 灵活翻译的知识图谱嵌入

    本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

    May, 2015

  • STransE: 一种知识库实体和关系的新型嵌入模型

    本文提出一种新的嵌入式模型 STransE，结合了多种先前的链接预测模型，用于知识库的链接预测任务，它将每个实体表示为低维向量，用两个矩阵和一个翻译向量表示每个关系，并在两个基准数据集上获得更好的链接预测表现。

    Jun, 2016

  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • RatE: 知识图谱补全的关系自适应嵌入

    本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。

    Oct, 2020

  • TransRefer3D：面向细粒度 3D 视觉 grounding 的实体 - 关系感知 Transformer

    本文提出了一种基于 Transformer 的 TransRefer3D 网络，利用实体和关系感知的多模态上下文提取模块，通过协同注意力操作进行跨模态匹配，构建了逐层的多模态上下文模型，从而在细粒度 3D 视觉定位任务中实现了学习出更具区分度的特征，并在实验中取得领先的性能。

    Aug, 2021

  • TransG：用于知识图谱嵌入的生成式混合模型

    本文提出了一种名为 TransG 的高斯混合模型，用于嵌入具有多种关系语义的知识图谱，并且是第一个可以处理多种关系语义的生成模型。实验结果表明，该模型在知识图谱嵌入方面具有显著的优势。

    Sep, 2015

  • 使用场景描述的语义建模改进视觉关系检测

    通过将语义模型与视觉统计模型相结合，并应用多种先进的链接预测方法，本研究证明链接预测方法可以提高对于视觉关系检测的结果，并在 Stanford Visual Relationship 数据集上取得了优于当今最先进方法的性能。

    Sep, 2018