弱监督语义分割的候选区域修正

CVPRNov, 2022

Out-of-Candidate Rectification for Weakly Supervised Semantic Segmentation

Zesen Cheng, Pengchong Qiao, Kehan Li, Siheng Li, Pengxu Wei...

TL;DR本文提出了一种基于分组排名的 Out-of-Candidate Rectification (OCR) 机制，并将其与多个基线模型结合使用，可以在 Pascal VOC 和 MS COCO 数据集上实现显着的性能提升。

Abstract

weakly supervised semantic segmentation is typically inspired by class activation maps, which serve as pseudo masks with class-discriminative regions highlighted. Although tremendous efforts have been made to recall precise and complete locations for each class, existing methods still

weakly supervised semantic segmentation out-of-candidate rectification group ranking-based mechanism in-candidate (ic) and oc groups performance gains

发现论文，激发创造

利用模拟图像擦除进行弱监督语义分割的知识迁移

我们提出了一种知识传输与模拟跨图像擦除（KTSE）的方法，用于弱监督语义分割，以减轻局部激活不足和过度扩张的问题。我们通过引入额外的对象信息，来削弱原始激活，然后将对象知识从锚点图像传输到后续较少激活的定位图，以增强网络的定位能力，并通过自监督正则化模块来改善在包含多个对象类别的复杂图像中的异类对象边界识别。

Jul, 2024

基于大型语言模型的方面情感分析的迭代数据增强

提出了一个名为 IterD 的系统化迭代数据增强框架来提高 ABSA（Aspect-based Sentiment Analysis）的性能，通过利用大型语言模型迭代地产生更加流畅和多样的合成标签数据，从而在 4 个广泛使用的 ABSA 基准测试中带来了稳定且显著的性能提升，并且由 IterD 生成的合成数据可以达到与人工标注数据相媲美甚至更好的性能。

Jun, 2024

借助基于树状偏好学习的大型语言模型推进过程验证

基于大型语言模型的树形偏好学习验证器 (Tree-PLV) 通过构建推理树并收集步骤级成对数据进行优先级训练，以更精确地评估完整的推理路径，从而实现在算术和常识推理任务上显著优于现有基准的性能提升。

Jun, 2024

自我翻译训练：一种简单而强大的大型语言模型跨语言转移基准

自我翻译训练是一种简单而有效的方法，利用大型语言模型的翻译能力在目标语言中生成合成训练数据，并用自己生成的数据对模型进行微调，从而在多种非英语语言中展现了显著的性能提升。

Jun, 2024

精确至关重要：精确感知的弱监督语义分割集成

ORANDNet 是一种针对弱监督语义分割的新型集成方法，利用两个不同分类器的类激活图和课程学习，提高了伪掩模的精确性并减轻了噪声，从而显著提高了分割性能。基于此方法的扩展同样适用于其他高级弱监督语义分割模型，表明 ORANDNet 具有作为弱监督语义分割模型的最终插件的潜力。

Jun, 2024

弱监督语义分割的细粒度背景表示

该研究提出了一种简单的精细背景表示方法，通过开发一个新颖的原始负区域感兴趣（NROI）来捕捉细粒度的背景语义信息，并进行像素与负区域对比，从而区分混淆的背景像素，实现了在各种弱监督语义分割设置下的新的最先进结果。

Jun, 2024

槽位状态空间模型

我们介绍了一种新颖的框架 SlotSSMs，用于在状态空间模型中引入独立机制以保持或促进信息的分离，评估表明我们的设计在多对象建模和长期时间依赖性的任务中显著提高了性能。

Jun, 2024

Frozen CLIP: 强大的骨干网络用于弱监督语义分割

本文提出了基于 CLIP 模型的 WeCLIP 方法，用于弱监督语义分割。WeCLIP 将冻结的 CLIP 模型作为骨干网络进行语义特征提取，并设计了新的解码器来解释提取的语义特征进行最终预测。同时，我们利用冻结的骨干网络生成伪标签来训练解码器，并提出了一个校正模块来动态修正这些标签。我们的架构使得解码器和校正模块相互受益，以提高最终性能。大量实验证明了我们的方法在训练成本较低的情况下明显优于其他方法。此外，我们的 WeCLIP 方法在全监督设置下也取得了有希望的结果。

Jun, 2024

通过门控交叉注意机制实现多模态稳定融合的股票走势预测

通过提出一种名为 MSGCA 的新型架构，能够处理股票预测中的多模态数据，实现多模态融合和稳定性，取得了相对于其他模型的各个方面的优势。

Jun, 2024

评估拉马大型语言模型的新兴符号推理能力

大型语言模型在各种任务中取得了令人印象深刻的表现，即使它们通常只是为了与用户流畅聊天而训练。本文系统地研究了流行的开源大型语言模型在不同符号推理任务上的能力和局限性。我们评估了 Llama 2 家族的三个模型在两个需要解决不同难度数学公式的数据集上。我们测试了一个通用的大型语言模型（Llama 2 Chat）以及两个专门设计用于解决数学问题的经过微调的 Llama 2 版本（MAmmoTH 和 MetaMath）。我们观察到，增加模型规模并在相关任务上进行微调可以显著提高性能。此外，通过使用细粒度的评估指标，我们发现这种性能提升主要出现在复杂度较低的数学公式上，尽管对于最大的经过微调的模型来说，这些公式通常仍然具有一定挑战性。

Jun, 2024