EPIC:通过可学习的成本实现编辑路径插值的图增强
本文提出了一种将基于搜索的技术与深度嵌入模型相结合的混合方法,用于解决图形编辑距离(GED)的效率和适应性问题。通过动态规划将节点级嵌入设计成动态重用的方式,并鼓励修剪次优分支,该方法可以轻松地在 A * 过程中动态地集成,并通过学习的启发式显着减少计算负担。实验结果表明,该方法可以显着简化 A * 的搜索过程,而准确性不会显著降低。
Nov, 2020
介绍了一个名为 EPIC Fields 的神经渲染数据集,能够通过附加 3D 相机信息,为图像和视频理解提供更好的数据和基准,同时提供了两个神经渲染和分割动态对象的基准任务。
Jun, 2023
本文提出了一种高效的代数无监督方法 EUGENE,它近似计算图的编辑距离,并产生对应的编辑路径,同时消除了对真实编辑距离的生成和数据特定训练的需求。广泛的实验评估表明,EUGENE 在各个基准数据集中始终排名最准确的方法之一,并且胜过大部分神经网络方法。
Feb, 2024
提供了一个基于国际规划竞赛的新数据集 IPC,用于评估基于图的机器学习方法,并与现有数据集进行比较,其中该数据集包含具有不同特点的大量有向图,带来了重大的挑战,同时方便扩展。
May, 2019
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
本文介绍了拓展视角中最大数据集 EPIC-KITCHENS 的一种方法,推出了 EPIC-KITCHENS-100,其中使用头戴式相机记录了 45 个环境中长期非剧本活动的 100 小时、2000 万帧、90,000 个动作,在 fine-grained actions、action detection、action recognition、unsupervised domain adaptation、cross-modal retrieval 等领域提供了新的挑战与评估。
Jun, 2020
本文提出一种新颖的认知图层(EGLayer),以实现深度模型和结构化知识图间信息更有效交换,进而实现更有效的表示学习,从而将人类混合学习应用于计算机视觉任务。
May, 2023
本文提出 ifMixup,一种基于插值的正则化技术,通过在输入的节点特征向量和边表示之间进行线性插值来改善 GNN 在监督图分类中的泛化能力,该解决方案使用 Mixup 在图像上的高效策略进行设计,并添加虚拟节点来使两个图形拥有相同的输入大小,实验结果表明 ifMixup 显著改善了预测准确率,优于流行的图形增强和 GNN 方法。
Oct, 2021