CVPRNov, 2019

多标签分类的无序循环模型

PDF
TL;DR本文提出一种动态排序正解标签的方法，用于多标签分类任务，以加快更优 LSTM 模型的训练。实验证明，该方法避免了生成重复标签，并超过了其他 CNN-RNN 模型的性能，证明了在挑战性的数据集上使用标准结构的图像编码器和语言解码器采用提出的损失函数可以得到最先进的结果。
发现论文，激发创造
  • 基于视觉注意力的无序 RNN 多标签分类

    本文提出了用于多标签分类的联合学习注意力和循环神经网络模型，可有效利用注意力和 LSTM 模型，并且扩展了 beam 搜索技术以提高效率。

    Jul, 2017

  • 无序学习：减轻多标记分类中的曝光偏差

    本文提出了一种新的多标签分类框架，不依赖于预定义的标签顺序，有效减轻暴露偏差，通过实验结果表明，相较于竞争基线模型，该方法具有很大的优势和更好的泛化能力，可生成更好的未训练标签组合。

    Sep, 2019

  • CNN-RNN：一种多标签图像分类的统一框架

    本文提出了一种基于卷积神经网络和循环神经网络的框架，用于多标签图像分类，通过学习图像标签嵌入特征，显式地利用了图像标签之间的关联性，拥有较好的分类性能。

    Apr, 2016

  • 将 RNN 序列预测模型应用于多标签集合预测

    本篇论文提出了一种适用于基于文本的多标签分类的 RNN 序列模型适应方法；其提出了一种基于一种原则的 “集合概率” 表示方法，在此基础上提供了新的训练目标和预测目标进行标签集的概率计算和预测，并且该方法在实验中优于当今的最优方法。

    Apr, 2019

  • 高阶 LSTM 在序列数据分割和标记中是否具有更好的准确性？

    我们提出了一个名为高阶 LSTM 的模型，它可以预测当前标记的多个标签，然后我们提出了称为 MO-BiLSTM 的新方法，结合了低阶和高阶 LSTMs，用于所有短语分块和 NER 数据集，实验结果表明 MO-BiLSTM 在分块方面达到了最先进的结果，在两个 NER 数据集中也取得了竞争力极强的结果。

    Nov, 2017

  • 使用循环神经网络对限价订单簿进行序列分类

    该论文研究了利用 RNN 对高频交易进行序列分类的问题，通过使用有限订单薄深度和市场订单的短序列预测下一个事件价格变化，从而减少了不利价格选择的可能性，并且展示了 RNN 对有限订单薄的非线性关系的良好捕捉能力。

    Jul, 2017

  • 克服自回归图生成中的顺序问题

    本文提出了一种使用递归神经网络和无序正则化项进行顺序图生成的方法，以解决顺序生成导致的问题，并证明该方法在数据稀缺的情况下对顺序图生成模型有益处，为合成逼真、多样化图结构的各种应用提供了有价值的工具。

    Feb, 2024

  • 循环神经网络在序列学习中的关键评估

    本文对于近三十年来产生和实践了重要的循环神经网络（RNN），LSTM 和 BRNN 等模型的研究进行综述，旨在提供一个自成体系的最前沿阐述和历史视角，并引用了相关研究文献。

    May, 2015

  • 有序记忆

    本研究提出了一种命令式记忆网络结构（Ordered Memory architecture），通过引入一种新的基于注意力机制的累计概率控制内存的写入和擦除操作，并使用一种新的门控递归单元将低级表示组合成高级表示。在逻辑推理和列表组合任务中获得了强大的表现，并证明其表现与现有方法相当。

    Oct, 2019

  • 学习排序遇见语言：提升基于语言的序列分类的排序对齐

    本文提出了一种基于自然语言处理的序列分类方法，包括相应的损失函数，并通过实验证明在面部年龄估计、历史彩色图像分类和审美评估等任务中表现良好

    Jun, 2023