Apr, 2023

FindVehicle 和 VehicleFinder: 一种基于自然语言的汽车检索的 NER 数据集及基于关键词的跨模态汽车检索系统

PDF
TL;DR本研究针对提取车辆属性相关关键词时所需大量预处理和后处理工作的问题，借鉴命名实体识别 (NER) 技术构建了一个包含 42.3k 车辆跟踪信息标注的 NL 数据集 - FindVehicle, 通过使用由 FindVehicle 预训练的文本编码器，我们提出了基于自然语言的车辆检索模型 VehicleFinder, 在 homemade 数据集上实现了 87.7% 精度和 89.4% 召回率，每次查询时间为 279.35 毫秒到 93.72 毫秒之间，比基于 Transformer 的系统快得多.
natural languagevehicle retrievalinteractive intelligent traffic systemnamed entity recognitionnl-based vehicle retrieval model
发现论文，激发创造
  • 自然语言驱动的车辆检索中连接语言与视觉

    本研究使用基于语言描述的车辆搜索来探索其在实际场景中的潜力，结合最先进的视觉模型和基于 Transformer 的语言模型，重新审视了网络结构设计、训练策略和优化目标，实验结果显示出了优越的性能，并希望为未来车辆检索系统的研究铺平道路。

    May, 2021

  • CityFlow-NL: 自然语言描述下的城市规模车辆追踪和检索

    本文介绍了基于自然语言的城市交通模式和车辆事件检测系统的扩展，提出了 CityFlow-NL 测评标准，并介绍了其在多目标多摄像头跟踪、自然语言检索以及时间定位方面的应用，特别侧重于车辆检索和车辆跟踪这两项任务的探索。

    Jan, 2021

  • SBNet：基于分割的自然语言车辆搜索网络

    提出了一种基于自然语言分段的车辆检索深度神经网络 SBNet，包括两个任务特定模块，即替换模块和未来预测模块。在 AI City Challenge 2021 中，SBNet 取得了在自然语言驱动车辆跟踪赛道上显著的进步。

    Apr, 2021

  • 基于空间关系建模的对称网络用于自然语言车辆检索

    本研究提出了一种基于自然语言的车辆检索方法，使用对称网络结构和空间关系建模来保留车辆外貌细节和车辆轨迹全局信息，并考虑了车辆周围环境和车辆间的相互关系，实验结果在自然语言 - based 车辆检索竞赛中取得了最佳表现。

    Jun, 2022

  • OMG：基于自然语言的车辆检索中观察多个粒度

    提出了一种基于多粒度观察（OMG）的新框架，用于通过自然语言描述在监控视频中查询受追踪车辆，并以多粒度对视觉表示、文本表示和目标函数进行优化，实验结果表明，该方法比以往所有方法的表现都好，获得了第 9 名的好成绩。

    Apr, 2022

  • 基于自然语言和时空变换器的车辆检索

    本文介绍了一个模块化解决方案 All You Can Embed (AYCE)，旨在将单车跟踪序列与自然语言相关联以解决智慧城市应用中结合视觉与文本信息的问题，其核心为使用 BERT 提供文本描述的嵌入和卷积背骨和 Transformer 模型嵌入视觉信息。

    Jun, 2021

  • BEV-Locator: 一种使用多视角图像的端到端视觉语义定位网络

    本文提出了一种基于多视角摄像机图像的端到端视觉语义定位神经网络 BEV-Locator，并通过大规模 nuScenes 和 Qcraft 数据集的实验结果证明该方法能够有效地关联来自多视角图像和全局语义地图的跨模态信息，可以在多种场景下估计车辆姿态，实验结果表明其横向、长向平移和航向角度的平均绝对误差分别为 0.052m，0.135m 和 0.251 度。

    Nov, 2022

  • 探索上下文和嵌入在神经命名实体识别模型中在任务定向对话系统中的重要性

    本文通过在任务导向的对话系统中评估经过修改的最新神经网络架构的性能，研究了从文本、字符特征和外部语料库中训练的词嵌入的使用方式，并探讨了前一个话语作为附加特征的不同组合，以及在添加自动翻译的英语 - 翻译和英语 - 转录版本到英语数据集后的实验重复性。

    Dec, 2018

  • VehicleNet：学习用于车辆重新识别的强健视觉表征

    通过构建大规模车辆数据集，并使用一个简单而有效的二阶段渐进学习方法进行学习，本文提出了用于车辆识别的新型 VehicleNet 数据集并实现了优异的识别率。

    Apr, 2020

  • IXA/Cogcomp 参加 SemEval-2023 第 2 项任务：基于知识库的上下文增强的多语言命名实体识别

    本文介绍了一种新的命名实体识别级联方法，它由三个步骤组成：首先在输入句子中识别候选实体，然后将每个候选实体链接到现有的知识库中，最后预测每个实体候选的细粒度类别。实验证明，外部知识库在准确分类细粒度和新兴实体方面具有重要意义，并且我们的系统在 MultiCoNER2 共享任务中表现出强大的性能，即使在使用高资源语言的知识库情况下，也能在低资源语言环境中获得良好的表现。

    Apr, 2023