基于图的社交关系推理
本文提出一个基于知识图谱的图推理模型,通过消息传播和图注意力机制,将外部信息有效地整合到深度神经网络中,提高社交关系识别准确性。试验结果表明,该模型在公共基准测试中优于目前领先的竞争对手。
Jul, 2018
本研究提出了一种基于多粒度推理的社交关系识别框架,包括全局知识,中层细节和细粒度姿态关键点。研究设计了基于姿态指导的人物对象图和人物姿态图来建模人物到对象的动作和配对人物之间的交互,并借助图卷积网络进行社交关系推理。实验结果表明提出的框架在两个公共数据集上具有较高的效果。
Jan, 2019
本文提出了一种新的端到端的可训练神经网络 (SRG-GN),该网络能够从给定的输入图像生成 Social Relationship Graph - 一种结构化、统一的社交关系和属性表示,并在社交关系识别方面取得了显著的改进。
Mar, 2019
本文提出了一种基于图像的亲属关系推理(GKR)网络,用于亲属关系验证。该方法构建一个亲属关系图,通过递归消息传递在该图上进行关系推理,并通过对提取的特征对进行比较和融合来推理亲缘关系。在 KinFaceW-I 和 KinFaceW-II 数据集上进行的广泛实验结果表明,该方法优于现有方法。
Apr, 2020
本研究使用了 15 种基本物质和社会关系对最近的文本引导图像生成模型 DALL-E2 进行了系统的经验性考察,发现只有大约 22%的图像与基本关系提示匹配。研究结果表明,当前的图像生成模型尚未掌握涉及简单对象和代理人的基本关系,本文从认知和计算两个角度,提出可能的改进方向。
Jul, 2022
本文提出了一种基于自然语言句子来生成图神经网络参数的方法(GP-GNNs),使 GNN 能够处理非结构化文本输入的关系推理,验证了在文本关系抽取中的有效性,并展示了我们的模型通过多跳关系推理可以发现更准确的关系。
Feb, 2019
通过系统的关系推理方法和轨迹预测,我们提出了一种适用于多智能体系统的社交机器人导航研究,通过该方法,在密集、互动场景中,在安全性、效率性和社交遵循性方面显著优于最强基准线。
Jan, 2024
该研究提出了一种名为 GloRe 的全局推理单元,实现了卷积神经网络对于远距离区域之间的全局关系的建模,能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。
Nov, 2018
本研究使用关系网络(RNs)作为简单的即插即用模块来解决需要基于关系推理的问题,并在三个任务中测试了 RN 增强网络,在使用挑战性数据集 CLEVR 进行视觉问答时,取得了超越人类的最好表现;使用 bAbI 套件的任务进行基于文本的问答;以及关于动态物理系统进行复杂的推理。使用一个精选的数据集 Sort-of-CLEVR,表明强大的卷积网络不具备解决关系问题的一般能力,但可以在增加 RN 的情况下获得这种能力。我们的工作展示了如何利用配备 RN 模块的深度学习架构隐式地发现并学习实体及其关系。
Jun, 2017
提出了一种基于图神经网络的关系预测框架 GraIL,该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同,GraIL 是自然归纳的,并且可以在训练后推广到未看到的实体和图形。在归纳设置中,GraIL 优于现有的规则归纳基线。
Nov, 2019