Jul, 2022

基于笔画的自编码器：高效零样本汉字识别的自监督学习模型

PDF
TL;DR在本文中，我们介绍了一个基于笔画的自编码器方法，用于对汉字的形态结构进行建模和预测，在零样本识别和增强汉字表示方面，取得了比现有方法更好的实验效果。
发现论文，激发创造
  • 通过阅读少量样例来学习书写风格化的中文字符

    本文提出了一种名为 SA-VAE 的新型框架，用于弹性生成具有不同风格的汉字。通过将潜在特征分离为内容相关和风格相关组件，成功地学习了新风格汉字的写作，并通过在实际应用中融合不同内容和风格的特征向量生成了不同的汉字。

    Dec, 2017

  • 基于笔画分解的零样本中文字符识别

    本文提出一种基于笔画的方法对中文字符进行识别，在解决中文字符零样本问题方面具有重要意义。在实验验证中，该方法比现有方法优异，不仅适用于手写文字，还适用于印刷艺术文字和场景文字。此外，该方法可以很容易地推广到可以分解成笔画的其他语言中的字符。

    Jun, 2021

  • 零样本学习的语义自编码器

    该论文提出一种基于语义自编码器的零样本学习方法，在编码器 - 解码器框架下，通过对编码 - 解码的自重建能力进行优化，从而使得模型更加泛化并可以在无训练数据的情况下预测新的未知类别。

    Apr, 2017

  • 基于深度结构弹性图像配准的中文字符笔画提取

    汉字笔画提取在字符识别和生成中起重要作用，通过图像注册和先验信息，使用基于深度学习的方法实现了对复杂结构的汉字的精准提取。

    Jul, 2023

  • 一种基于积分投影的语义自编码器用于零样本学习

    提出了一种利用积分投影的语义自编码器（IP-SAE）模型，可以有效应用于不同但相关的目标数据分布，从而学习通过一个数据源分布进行嵌入。该模型能够解决因域漂移引起的问题和域变化的偏见，同时在四个基准数据集上表现出超越最新技术的表现。

    Jun, 2023

  • 自编码器的结构化

    本文提出了一种称为 Structuring AutoEncoders 的神经网络，其可以使用弱监督形成结构化的低维空间，从而更有效地表示并分类数据。在基准图像数据集 MNIST、Fashion-MNIST、DeepFashion2 以及 3D 人体形状数据集上进行的实验表明，结构潜空间可以为进一步的分类任务和分类数据的有效选择的操作提供更高效的表征。

    Aug, 2019

  • 解决中文字符表示瓶颈问题：基于笔画序列建模的神经机器翻译

    本篇论文提出了一种名为 StrokeNet 的新型汉字表示方法，它通过拉丁化的笔划序列为汉字表示，解决了学习瓶颈和参数瓶颈问题，可应用于神经机器翻译中，有效提高翻译性能并减少模型参数。

    Nov, 2022

  • 零日威胁的特征选择自编码器叠加

    采用堆叠自编码器（SAE）和长短期记忆（LSTM）方案，通过特征选择和零日威胁分类，实现对零日攻击的检测和分类，结果表明 SAE-LSTM 模型具有较高的准确性、召回率和 F1 分数，能够有效识别各种类型的零日攻击。

    Nov, 2023

  • 通过基于字形的解耦字符嵌入和语义子字符增强进行文本分类

    我们提出了一个用于字符文本分类的新框架，并在日语文本分类任务中验证模型性能提高，并通过提出的字符嵌入实现了模型的可解释性。

    Nov, 2020

  • 自监督孪生自编码器

    本文提出了一种新的自监督方法 SidAE，将 Siamese 结构和去噪自编码器相结合进行无监督预训练，证明其在多个数据集、设定和场景下优于两个自监督对照组，其中关键包括仅有少量标记数据的情况。

    Apr, 2023