May, 2024

通过选择困难负面无配对样本进行精细分类图像 - 文本检索的主动学习

PDF
TL;DR我们提出了一种主动学习算法，用于图像 - 文本检索 (ITR)，以更具成本效益地收集配对数据。通过引入一种新的评分函数来选择难以配对的图像（或文本）作为负样本，我们验证了该方法在 Flickr30K 和 MS-COCO 数据集上的有效性。
发现论文，激发创造
  • 抽象文本摘要的主动学习

    本文提出了第一个基于多样性原则的主动学习查询策略来缓解抽象文本摘要中昂贵的注释成本，并分析了自学习的效果。该策略可以帮助提高 ROUGE 和一致性分数。

    Jan, 2023

  • 面向细粒度素描图像检索的主动学习

    我们提出了一种新颖的主动学习采样技术，极大地减少了绘制图片素描的需求，通过利用现有照片 - 素描对与没有自己素描的照片之间的关系，并增强这种关系与其中间表示之间的关联，有效平衡不确定性和多样性，在细粒度的基于素描的图像检索任务中，验证了我们的方法并证明其优越性。

    Sep, 2023

  • 论极度不平衡的成对任务自适应数据收集的重要性

    本研究利用基于 BERT 模型的嵌入方法，采用主动学习的方式收集训练数据，创造了更加平衡和信息量更丰富的负例样本，有效提高了 QQP 和 WikiQA 测试数据的平均准确率。

    Oct, 2020

  • 利用无配对数据进行视觉 - 语言生成模型的循环一致性优化

    本文介绍了 ITIT（InTegrating Image Text）模型，采用循环一致性原则，通过在未配对的图像和文本数据上进行双向图像到文本和文本到图像的生成，实现视觉语言训练，并证明其在与高质量配对数据相比的图像生成和字幕性能上表现类似。

    Oct, 2023

  • 利用大规模无标注数据进行快速交互式图像检索

    本文介绍了一种基于二分类算法的交互式图像检索系统，该系统结合了主动学习和基于图的半监督学习算法。该方法使用不确定性采样的方法来找到具有信息价值的点，并借助一个启发式自适应阈值来确定决策界限。同时使用从深度学习和 WordNet 中提取的视觉和语义信息，以提高分类器的鲁棒性。该方法在多个数据集上的实验中得到了较高的 F1 分数。

    Feb, 2018

  • 基于预训练语言模型的句子匹配主动学习

    本文提出了一种基于预训练语言模型的主动学习方法，应用于句子匹配，通过提供语言标准来测量实例并选择更有效的实例进行注释，实验证明该方法可以在更少的标记训练实例的情况下实现更高的准确性。

    Oct, 2020

  • 适应性离线五元组损失用于图像文本匹配

    本文介绍使用离线采样负样本与五元组损失函数来改进图像和文本匹配模型，并在 MS-COCO 和 Flickr30K 数据集上得到了显著的性能提升。

    Mar, 2020

  • 正类和未标注数据中的主动学习

    提出了一种能够在只有单类样本和无标签数据的情况下运作的主动学习算法，该方法通过分别估计正样本和未标记点的概率密度，计算信息性的期望值以获取更好的信息性度量。与其他类似方法相比，实验和经验分析结果表现出有前途的结果。

    Feb, 2016

  • 图像 - 文本匹配中的样本对语义主动挖掘

    提出了一种新的图文匹配模型，叫作主动挖掘样本对语义图文匹配模型 (AMSPS)，该模型采用多样化的学习模式使模型更加关注无法处理的负样本，从未注释的项目中主动挖掘更多隐藏的相关语义表示，大大提高了模型的性能和泛化能力。在 Flickr30K 和 MSCOCO 通用数据集上的实验结果表明，我们提出的方法优于最先进的比较方法。

    Nov, 2023

  • 通过主动学习提高文本分类中的概率模型

    提出了一种将概率模型和主动学习结合起来的新算法，用于降低自动化文本分类的标注成本，实现对未标注数据和难分类文档的集中标注，性能可与最先进的方法相媲美，使用原有标注数据比最近发布的两篇研究中仅用一小部分标注数据得出的结论相同，并提供了 activeText 软件。

    Feb, 2022