May, 2024

基于 Transformer 的交互式分割中的结构化点击控制

PDF
TL;DR我们提出了一种基于图神经网络的结构点击意图模型，通过全局相似性获得用户点击的 Transformer token，然后聚合图节点以获得结构交互特征，最后使用双重交互注意力将结构交互特征注入视觉 Transformer 特征，从而增强点击对分割结果的控制，实验证明该算法能够提高基于 Transformer 的交互分割性能。
发现论文，激发创造
  • 跨模态视觉转换器的交互式图像分割

    本研究提出一种交互式图像分割网络，利用跨模态视觉 transformers 来更好地指导学习过程，并且在多个基准测试中实现了优越的性能表现，具有实用的注释工具潜力。

    Jul, 2023

  • 迭代训练的交互分割

    本研究提出一种基于迭代式训练策略的交互式对象分割系统，利用用户输入的 clicks 作为卷积网络的输入，相较于现有的启发式 click 采样策略，本方法取得了更优的分割结果。

    May, 2018

  • Fi-GNN: 基于图神经网络建模特征交互以用于 CTR 预测

    本文提出了一种新的模型叫做 Feature Interaction Graph Neural Networks (Fi-GNN)，可以用于解决 Web 应用中在线广告和推荐系统等任务的 click-through rate（CTR）预测问题。该模型利用图的强大特征表示能力，可以灵活、明确地建模复杂的特征交互，同时还能提供很好的模型解释性，并在真实数据集上得到了优于现有技术的实验结果。

    Oct, 2019

  • PiClick: 基于点击的交互式分割中选择所需掩模

    提出了一种基于交互式分割的语义多样性分割网络 PiClick，利用 Transformer 网络结构实现互动式 mask 查询，设计了 Target Reasoning 模块，能够自动推断出所有建议中最匹配的 mask，显著减少了目标模糊性以及额外人工干预。

    Apr, 2023

  • Web 搜索中的图增强点击模型

    本文提出了一种基于神经网络和图增强的点击模型 (GraphCM)，通过在构造的同质图中提取查询和文档之间的信息，分别对吸引力评估器和考试预测器进行建模，通过组合功能将考试概率和吸引力评分融合到点击预测中，综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。

    Jun, 2022

  • AdaptiveClick: 适应点击感知 Transformer 与自适应 Focal Loss 用于交互式图像分割

    AdaptiveClick 是一种基于 Transformer 的、面向 Interactive Image Segmentation 的 mask-adaptive 分割框架，它通过引入 CAMD 和 Adaptive Focal Loss 解决了数据标注的不一致性和困难样本问题，实验结果显示其在 9 个数据集上超越了现有的其他方法。

    May, 2023

  • TETRIS：探索交互分割的鲁棒性

    通过对交互式分割模型的实际用户研究，发现常规评估策略的直观假设可能无法成立，因此建议采用直接优化的白盒对抗攻击方法来评估交互式分割模型的鲁棒性，并引入了一种新的鲁棒性度量标准和多个模型的广泛评估结果。

    Feb, 2024

  • 基于邻居交互的图遮盖变换器点击率预测

    提出一种使用基于邻域的交互方法的 Ctr 预测模型，该模型考虑了异构信息网络环境下的推荐系统，采用各种显式和隐式相互作用方式进一步指导本地邻域的表示学习，并在真实数据上表现出较大优势。

    Jan, 2022

  • 结构化注意力网络

    本文研究了如何将更丰富的结构分布用于深度神经网络中的嵌入式分类推理，通过两种不同的结构注意力网络：线性链条件随机场和基于图形的解析模型的实验，展示了这些结构的注意力网络超过了基线的注意力模型在各种合成和真实任务中的表现。

    Feb, 2017

  • CTRLStruct: 开放域回复生成的对话结构学习

    本文提出了一种新的对话结构学习框架 CTRLStruct，该框架利用双向变压器编码对话文章，进一步通过对比学习任务训练来提高表示力，利用无标签信息有效地探索主题级对话集群及其转换，形成对话结构图，最终将该图结合到对话模型中进行生成，以实现更可控、可解释的响应生成。在两个受欢迎的开放领域对话数据集上进行实验，结果表明该模型可以生成比某些优秀对话模型更连贯的响应，并在对话话语表示中优于一些典型的句子嵌入方法。

    Mar, 2023