EMNLPOct, 2020

PARADE: 面向计算机科学领域知识的近义识别新数据集

PDF
TL;DR本文提出了一个名为 PARADE 的新型基准数据集，用于测试包含不同领域专业知识的文本相似性鉴别模型。结果表明，即使是最先进的神经网络模型以及普通人类标注者在此数据集上的表现也十分糟糕。PARADE 可以为需要加入专业领域知识的模型提供一个资源。我们公开了数据集和代码。
paradeparaphrase identificationdomain knowledgeneural modelsbert
发现论文，激发创造
  • InfraParis：一个多模态多任务自动驾驶数据集

    当前自动驾驶计算机视觉的深度神经网络 (DNNs) 通常只依赖于特定数据集，涉及单一类型的数据和城市场景。这些模型难以处理新对象、噪声、夜间条件和多样化场景，但这对于安全关键应用非常重要。我们介绍了一个名为 InfraParis 的新颖多任务数据库，支持 RGB、深度和红外三种模式。我们评估了各种最先进的基准技术，包括语义分割、目标检测和深度估计的模型。

    Sep, 2023

  • 覆铺天堂：通过将真实世界因素纳入考虑的成本效益高且可扩展的 LiDAR 仿真

    通过集合 “背景” 和 “物体” 数据集，Paved2Paradise 方法可生成全标注、多样化和逼真的激光雷达数据集，并且只需进行最少人工注释，从而在成本高昂的情况下加速点云模型的开发。

    Dec, 2023

  • IDDA: 一个用于自动驾驶的大规模多领域数据集

    本文提出了一个新的大规模合成数据集，用于解决自动驾驶中语义分割的领域适应问题，在各种天气和视角条件下，涵盖了七种不同类型的城市，提出了语义分割的挑战。

    Apr, 2020

  • ParGANDA: 实现物体检测中合成行人的现实

    使用生成对抗网络 (GAN) 以解决真实与合成数据之间的领域差异，提高物体检测的性能，尤其针对行人检测，在不需要真实标签的情况下生成真实样本，适用于各种下游任务。

    Jul, 2023

  • Alice 基准测试：将真实世界物体再识别与合成相连接

    通过学习合成数据，我们引入了 Alice 基准测试，为研究社区提供了大规模的数据集和评估协议，同时讨论了领域适应的方法和未来方向。

    Oct, 2023

  • 半监督域通用人物再识别

    本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

    Aug, 2021

  • 行人属性识别的再思考：具有高效方法的现实数据集

    提出两个现实数据集 PETA 和 RAPv2，通过解决行人属性识别中固有属性不平衡问题，提出高效方法进一步提高性能，实验证明该方法优越性并取得最先进的性能。

    May, 2020

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

    Dec, 2022

  • DASGIL: 面向语义和几何感知的基于图像的领域自适应定位

    本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

    Oct, 2020

  • 行人属性识别的丰富注释数据集

    本文介绍了如何解决行人属性识别领域中数据集基础的问题，构建了一个有丰富注释的 RICHLY ANNOTATED PEDASTRIAN (RAP) 数据集，对数据集进行了实验分析，证明了环境和语境因素对于行人属性识别的重要性。

    Mar, 2016