Aug, 2023

视觉表示学习中的类别级别结构关系建模与平滑

PDF
TL;DR本文提出了一个名为 CSRMS 的框架，包括类级关系建模、类感知图采样和关系图引导表示学习模块，以建模数据集的关系图，并执行类感知平滑和正则化操作以减轻类内视觉多样性和类间相似度问题。实验证明结构化知识建模对增强表示学习具有有效性，并表明 CSRMS 可以与任何最先进的视觉表示学习模型结合以提高性能。
representation learningstructural causal modelsclass-level structural relation modelinggraph convolution networkvisual representation learning
发现论文，激发创造
  • 基于卷积的知识图谱嵌入的多关系建模

    本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型 ConvMR，我们使用 FB15k-237 和 WN18RR 数据集进行实验，结果表明该模型能够显著提高平均 Rank 和处理不常见实体的效率。

    Oct, 2022

  • 面向中文文献文本的实体关系分类的结构正则化神经网络

    本文提出了一个用于中文文学文本的关系分类任务并构建了一个新的数据集，通过 SR-BRCNN 模型基于结构规则的依存树上提取的最短依赖路径来识别实体之间的关系，实验结果表明该方法 F1 得分提高了 10.3，且在中文文学文本上优于当前的最先进方法。

    Mar, 2018

  • 使用标签关系学习结构化推断神经网络

    本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

    Nov, 2015

  • 视觉丰富文档中的关系表示学习

    本研究提出了 DocReL，一种文本关系表示学习框架，其中包含一种新的对比学习任务 Relational Consistency Modeling（RCM），并利用了上下文信息来改进视觉丰富文档中关系理解，如表结构识别，关键信息提取和阅读顺序检测。

    May, 2022

  • SMGRL: 可扩展的多分辨率图表示学习

    我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架，通过学习多分辨率节点嵌入有效地捕获长和短距离依赖，并将其聚合以产生捕获高质量节点嵌入的优化算法，同时提高分类准确度，而不会产生高计算成本。

    Jan, 2022

  • I2SRM: 跨样本关系建模用于多模态信息提取

    该论文介绍了用于多模态信息提取的 Intra- and Inter-Sample Relationship Modeling (I2SRM) 方法，其中包含两个模块：内部样本关系建模模块和样本之间关系建模模块。通过在单个样本上操作来学习有效的表示，并提出了 AttnMixup 策略来改善泛化性能，在多模态实体识别数据集和多模态关系抽取数据集上进行了广泛实验，表明该方法取得了竞争性的效果。

    Oct, 2023

  • 关系卷积网络：一种学习层次关系表示的框架

    深度学习中一个日益成熟的研究领域是开发能够学习关系特征的显式表示的架构。本文提出了一个叫做 “关系卷积网络” 的架构框架，重点研究了学习分层关系表示的问题，并通过一系列实验展示了如何利用关系卷积网络提供有效的建模方法来处理具有层次结构的关系任务。

    Oct, 2023

  • 基于 Transformer 双关系图的多标签图像识别

    本文提出了基于 Transformer 双重关系学习框架的方法，通过构建结构关系图和语义关系图，利用显式的语义感知约束来动态地建模图像对象的语义含义，并将学习到的结构关系合并到语义图中，为多对象识别任务提供了一种新的方法。

    Oct, 2021

  • 具有因果子结构的移位鲁棒分子关系学习

    本文提出一种针对分子关系学习中分布变化的稳健模型 CMRL，该模型基于领域知识并构建了结构因果模型（SCM），引入一种新的条件干预框架，并成功地从因果子结构中学习，并减轻了与化学反应表面相关的快捷子结构的混杂效应。

    May, 2023

  • 场景文本识别的关系对比学习

    通过处理上下文信息和文本关系，研究论文提出一种名为 RCLSTR 的统一框架，用于景观文本识别的关联对比学习，该框架通过重新排列、层次和交互来丰富文本关系，解决了上下文信息限制和过拟合问题，提高了表示鲁棒性。实验结果证明了该方法在表示质量上优于最先进的自监督 STR 方法。

    Aug, 2023