本文提出了 BERTMap，它是一种可以支持无监督和半监督设置的本体映射系统，它使用 fine-tuning 的 BERT 语境嵌入模型来预测映射，并通过利用本体结构和逻辑来完善映射，本文通过对生物医学本体上的三个对齐任务的评估表明，BERTMap 通常比领先的 OM 系统 LogMap 和 AML 表现更好。

Dec, 2021

本研究提出了一种使用注意力神经网络解决音频分类的方法，该方法在 AudioSet 数据集上进行实验，并发现使用 embedding feature 的音频标记性能与每个声音类别的训练样本数量和标签质量的相关性较弱。

Mar, 2019

我们提出了一种名为 OC-cost 的方法，它通过解决检测和实际情况间的最佳传输问题来度量检测器的准确性，避免了 mAP 只能从排序检索方面评估的缺点。与 mAP 相比，OC-cost 更加准确和公平，能够提供一个额外的度量工具来评估检测器。

Mar, 2022

本文提出两个新的度量标准来明确测量空间和类别重复预测的数量，并提出基于像素占用匹配方案的语义排序和非极大值抑制模块，以减轻权衡预测并保留平均精度。

Jul, 2022

本文提出了一种音频视觉融合模型，该模型利用注意机制动态地结合单独的音频和视觉模型的输出来识别声音，实验证明该模型在音频场景分析和机器感知上比单模和多模融合模型具有更好的效果。

May, 2020

为解决 Ontology Matching 中评价体系不全的问题，该研究提出了五个新的医学本体匹配任务，并且提出了一个全面的评价框架，对机器学习和非机器学习的匹配系统进行了评估。该研究的资源已经公开发布在 OAEI 2022 的 BioML 赛道中。

May, 2022

该文研究了一种利用均值平均精度作为训练损失的方法来直接训练 CNN 基础物体分类器，并探讨了如何有效计算这些损失的梯度。该方法在训练时同时使用非极大值抑制，使得训练与测试时使用相同的模型和损失函数。在 PASCAL VOC 2007 和 2012 数据集上，该模型达到了与标准 Fast R-CNN 相同的性能水平。

Jul, 2016

评估在开放词汇分割中采用的评估指标存在问题，即评估过程仍然严重依赖于零样本或交叉数据集流水线上的闭集指标，而未考虑预测和实际类别之间的相似性。为了解决这个问题，我们首先通过综合定量分析和用户研究使用 WordNet 语言统计、文本嵌入和语言模型调查了 11 种不同的相似性测量方法。在此基础上，我们设计了针对三个开放词汇分割任务的新型评估指标，即 Open mIoU、Open AP 和 Open PQ。我们在三个分割任务的 12 种开放词汇方法上对所提出的评估指标进行了基准测试。尽管相似性距离的相对主观性，我们证明了我们的指标仍然能够很好地评估现有的开放词汇分割方法的开放能力。我们希望我们的工作能够为社区带来关于如何评估模型的开放能力的新思考。评估代码在 github 上发布。

Nov, 2023

本文研究 Audio Set 数据集的分类问题，提出了一种基于注意力模型的方法，用于解决多实例学习问题，并且在该数据集上获得了 0.327 的平均精度 (mAP)，优于谷歌基线 (0.314) 和循环神经网络模型 (0.325)。

Nov, 2017

本文提出了一个多级关注模型来解决弱标签音频分类问题。 实验证明，与单级关注模型和 Google 基线相比，该模型在 Google 音频数据集上表现出更高的平均精度（mAP）。

Mar, 2018