该论文提出了一种半监督的双语词汇识别方法(BLISS),该方法使用了一个新的中枢过滤技术,可以放松两个嵌入空间同构假设,利用有限的对齐双语词汇表和更大的未对齐词汇表,实现了令人瞩目的效果。
Aug, 2019
基于混合整数规划的稀疏对应关系生成方法,结合投影拉普拉斯 - 贝尔特拉米算子、旋转感知正则化器,实现全局最优解,适用于非刚性形状匹配,并具有高效性能。
Aug, 2023
通过点云监督,提出了一种弱监督的深度学习方法来预测统计形态模型的构造,从而提高模型的训练可行性。
May, 2024
非等距形状对应是计算机视觉中的一个基本挑战,本文提出了一种新方法,通过将弹性薄壳的非正交外部基函数与 Laplace-Beltrami 算子的内在基函数相结合,创建了一个混合谱空间来构建功能映射,实现了在各种应用中处理复杂变形的能力,并通过广泛的评估展示了显著的改进。
Dec, 2023
通过核密度估计的统计框架,我们提出了一种不依赖于形状同构的替代恢复技术,能够保证双向对应并产生更高的精度和平滑度,并在多个具有挑战性的可变形 3D 形状匹配数据集上展示其性能。
Jan, 2017
提出了一种使用散乱和无序关键点实时估计线性可变形物体形状的强鲁棒方法,并通过模拟实验和真实世界实验验证了其在追踪和估计复杂情况下的稳健性。
Mar, 2024
本文提出了一种从单个 3D 网格构建生成模型的方法,使用高斯过程表示形状和反照率的 3D 可变模型,可以用于人脸识别等领域。
Nov, 2020
提出了一种新的半监督方法,通过两个独立训练的自编码器的潜在空间使用非线性映射,学习用于双语词汇识别的跨语言词嵌入表示,并在 15 种不同方向的语言对(包括资源丰富和低资源语言)的两个数据集上进行了广泛的实验,结果表明该方法优于现有模型。
Apr, 2020
介绍了第一种完全无监督的对变形三维图形进行对应学习的方法,通过理解自然变形的形态变化近似保持曲面的度量结构,提出了一种驱动学习过程的自然准则,从而克服了对带注释数据的需求,并取而代之的是一种纯几何标准,学习模型不分含义类别,能够利用任何类型的可变形几何数据进行训练,相对于现有的专门针对训练期间观察到的类别的监督方法,我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力,在广泛的对应基准测试中展示了我们的方法,在精度、泛化能力和效率方面均超过了其他方法。
Dec, 2018
提出了一种非刚性多部位形状匹配算法,可同时解决参考模型的分割以及与多部位之间的稠密对应关系,实验证明其在处理非常具有挑战性的匹配场景方面有效。