ACLMay, 2020

PeTra: 一种用于人员追踪的稀疏监督记忆模型

PDF
TL;DRPeTra 是一款记忆增强的神经网络，旨在跟踪其记忆槽中的实体，并通过稀疏注释从 GAP 代词分辨率数据集中进行训练，其在任务上的表现优于先前的记忆模型。通过对关键建模选择进行实证比较，发现我们可以简化多个方面的内存模块设计同时保持强大性能。针对内存模型的人物追踪能力进行评估，提出了一种基于统计文本内唯一实体数量的新型诊断评估，并进行了小规模的人类评估，以比较 PeTra 与之前方法中内存日志中人物追踪方面的证据。PeTra 在两种评估中都非常有效，尽管受到有限的注释训练，但其能够在其内存中跟踪人物。
petramemory-augmented neural networkentity trackinggap pronoun resolution datasetpeople tracking
发现论文，激发创造
  • 通过多任务学习模型和提及引导解码的有效利用实体追踪

    该研究介绍了一种名为 MeeT 的多任务学习启发的实体跟踪方法，该方法利用一般领域任务中获得的知识来提高实体跟踪的准确性，无需设计具体的模型结构或专门的预训练，在两个常用的实体跟踪数据集上实现了最佳效果。

    Oct, 2022

  • 基于实体监督的稀疏记忆访问

    使用实体作为专家的具有记忆分离能力的新模型（EAE），能够捕获文本中实体的声明性知识，比具有 10 倍参数的编码 - 生成变压器模型的性能更好，并比类似大小的 BERT 和以前整合外部实体知识的方法具有更多的事实知识。

    Apr, 2020

  • 带有结构记忆层次的行人轨迹预测

    基于多模态数据的人体轨迹预测框架，引入结构化记忆元件，采用分层结构式 LSTM 单元模拟记忆内容，通过自动检索重要信息提高效果，并在 40,000 行人轨迹数据集上验证新模型比现有技术更准确预测未来行人运动。

    Jul, 2018

  • SpanProto: 两阶段基于 Span 的原型网络用于少样本命名实体识别

    本文介绍了一种基于 SpanProto 和 prototypical learning 的 few-shot NER 方法，并使用 margin-based loss 进一步提高了模型性能。实验表明，该模型在多个基准测试中表现优异。

    Oct, 2022

  • 基于时空关注模型的情境感知行人轨迹预测

    本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

    Feb, 2019

  • TF-SASM: 基于空间感知稀疏记忆的无需训练多目标跟踪

    在计算机视觉中，多目标跟踪仍然是一个重大挑战，需要对视频序列中的多个对象进行精确定位和连续跟踪。本文提出了一种基于稀疏存储的新型记忆方法，通过选择性地存储基于对象运动和重叠意识的关键特征，旨在提高效率同时减少冗余。该方法在 DanceTrack 测试集中相对于 MOTRv2 取得了显著的改进，HOTA 指标增加了 1.1％，IDF1 得分增加了 2.1％。

    Jul, 2024

  • MeMOT: 基于记忆的多目标跟踪

    该文提出了一种名为 MeMOT 的在线跟踪算法，基于 Transformer 框架实现目标检测、数据关联和多目标跟踪，并采用存储身份嵌入的大型时空记忆，能在长时间跨度后链接对象，经过基准数据集的测试，MeMOT 表现出极具竞争力的性能。

    Mar, 2022

  • 基于预训练的个性化对话生成模型及面向稀疏信息处理

    本文提出了一种基于预训练的个性化对话模型，利用个人属性嵌入来丰富对话语境，结合注意力路由结构进行解码，从而生成更为连贯且人物一致的回答。

    Nov, 2019

  • 实体跟踪改善填空式阅读理解

    本文探索基于简单神经方法的阅读理解模型在长期语境处理和记忆显著信息方面的能力，提出了两个扩展方案：增加实体特征和使用多任务跟踪目标进行训练，并在 LAMBADA 数据集上取得了优于当前最先进方法的效果，特别是在难度较高的实体示例中。

    Oct, 2018

  • 提及记忆：通过实体提及注意力将文本知识融入 Transformers

    该论文提出了一种利用 Transformer 模型中的半参数表示以及文本语料库的 “指向记忆” 来提取多个文本来源的事实信息的方法，称为 TOME，并在多个实验中证明其在自然语言理解任务中的优异表现。

    Oct, 2021