MMSep, 2021

DSSL：基于深度学习的文本人物检索中的深层环境与人物分离学习

PDF
TL;DR提出了一种 Deep Surroundings-person Separation Learning (DSSL) 模型，其中采用了环境与人员信息的分离和融合机制以实现准确和有效的环境 - 人员分离，在多模式及多粒度信息上采用了五种不同的对齐范式，从而显著提高了基于文本的人员检索的性能，并建立了一个 RSTPReid 数据集以评估模型性能。
text-based person retrievaldeep surroundings-person separation learningmultimodal alignmentperson informationsurroundings information
发现论文，激发创造
  • 人员再辨识的深度自适应学习

    使用深度学习，自适应加权采样与各向同性约束，提高人物重识别精度。

    Oct, 2017

  • 自监督解缠学习预测人类移动

    通过提出一种名为 SSDL 的新算法，该算法使用深度神经网络来处理大规模空间 - 时间轨迹数据，利用离散学习的方法提取潜在的时间不变和时间变化因素，通过增强不同的轨迹增强方法来解决稀疏性问题和探索历史签入背后的异构协作信号，以解决下一个 POI（点 of interest）预测问题。在四个真实世界数据集上进行的广泛实验表明，SSDL 在 ACC@1 上的表现显著优于现有的同类方法，例如在 ACC@1 上提高了 8.57％。

    Nov, 2022

  • 学习判别性的零空间用于人员再识别

    本研究提出了一种新的人物再识别（re-id）距离度量学习方法，通过匹配训练数据的判别式空间来克服小样本问题，并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。

    Mar, 2016

  • SegLoc”: 针对安全检查 X 射线图像的密集预测任务量身定制的新型视觉自监督学习方案的研究

    使用自我监督学习方案对人工智能进行了重要进展，将对比学习整合到现有的自我监督学习模型中，在计算机视觉领域取得了显著的进展，通过提出的模型 Segmentation Localization 对密集预测的语义分割任务进行了评估，并通过实现每个类别一个队列的思想在 MoCo-v2 中避免了假阴性对。

    Oct, 2023

  • 密度感知图在深度半监督视觉识别中的应用

    该论文提出了一种基于密度感知图的半监督学习方法，利用密度信息进行特征学习和标签传播，从而充分利用未标记数据，并在端到端训练中提高性能。

    Mar, 2020

  • 基于对比自监督学习中的时间特征对齐的人体动作识别

    本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

    Oct, 2022

  • 部分人员再识别的深度空间特征重构：无需对齐的方法

    本文提出了一种基于完全卷积神经网络的快速准确的匹配方法，结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题，并在多个数据集上进行的实验证明了该方法的有效性和效率。

    Jan, 2018

  • 基于对比变压器学习的近距离数据生成的基于文本的人物搜索

    提出了一种简单而有效的双变压器模型用于基于文本的人物搜索，通过利用一种感知困难的对比学习策略，自动生成更多多样化的数据以改善数据不足问题，实验结果显示该方法在文本与图像之间的横向检索任务中明显优于其他方法。

    Nov, 2023

  • 利用语义信息和音频文本蒸馏模型实现高效的自监督情绪识别

    本文旨在将 HuBERT 等 self-supervised learning 的模型应用在 SER 系统中，并通过分析模型的每一层得出更好的情感识别效果，提出基于 audio-textual distilled SSL 的模型实现更为高效的情感识别。

    May, 2023

  • 面向个性化和语义检索的端到端解决方案：基于嵌入学习的电子商务搜索

    本文介绍了一种叫 DPSR 的新方法，用于解决电子商务搜索中的两个关键性问题：如何检索与查询语义相关但不是精确匹配的项目以及如何检索对于同一搜索查询的不同用户更个性化的项目。该方法通过离线和在线实验表明其优越性，能够显著提高用户的搜索体验，尤其是对于长尾查询。

    Jun, 2020