- 增加标签密度:使用二部图匹配进行无监督聚类的弱监督点云分割
我们提出了一种弱监督的语义分割方法,能够通过整体场景标注来预测点云的点级标签,同时达到与最近的全监督方法相当的性能。我们的核心思想是通过保守的方式将场景级标签传递给点云中的每个点,即通过无监督聚类进行过分割,通过二分匹配将场景级标签与簇关联 - 聚变多样性:基于结果导向的课程强化学习与分歧的超出分布
提出了一种新的课程强化学习方法 D2C,该方法通过对目标条件分类器进行多样化,确保分类器对于来自分布之外的状态产生分歧,从而探索未知区域并定义一种任意目标条件内在奖励信号,从而产生适应性良好的中间目标序列,以自动探索并征服未知区域。实验结果 - AAAI点云统一全景分割
本文提出了一个简单、高效的基于点云的全景分割框架 (PUPS), 使用一组点级分类器以端到端的方式直接预测语义和实例分组。通过将二分图标准添加到训练管道中,并使用 Transformer 解码器进行迭代优化,PUPS 实现了更好的分组结果, - ECCV基于复合样本原型匹配的小样本动作识别
本论文提出了一种新颖的方法,将视频汇总为由一组全局原型和一组聚焦原型组成的复合原型,并基于原型进行视频相似性比较,进而用于小样本动作识别,实验结果显示该方法在多个基准测试上达到了最先进的成果。
- CVPROmni-DETR:利用 Transformer 的全监督全目标检测
研究使用统一结构 Omni-DETR 进行 omni-supervised 物体检测,将弱标注转化为准确的伪标注用于学习,取得了多个数据集的最优结果。
- CVPR实时实例分割的稀疏实例激活
本文提出了一种实时实例分割的概念性新颖、高效并且完全卷积的框架。该框架采用了一种新的目标表示方法 —— 稀疏的实例激活图,通过聚合特征识别和分割前景对象,在一对一的模式下预测物体,避免后处理中的非极大值抑制。该方法在 COCO 基准测试中实 - ACLOne2Set:生成关键词集合的多样性关键词生成模型
本研究提出一种新的训练模式 One2Set 及利用对一组特定控制码的应用实现并行生成关键词集的新型模型,同时通过二分图匹配的 $k$-step 目标分配机制增加关键词生成的多样性和降低重复率,实验结果表明本方法显著优于现有最优方法。
- IJCAI一种用于嵌套命名实体识别的序列到集合网络
提出了一种用于嵌套命名实体识别的序列到集合神经网络,并利用二分匹配的损失函数计算整体训练损失,实验结果表明该模型在三个嵌套命名实体识别数据集上取得了最先进的结果。
- 多视角 3D 人体姿态跟踪的迭代贪婪匹配
本研究提出了一种从校准相机组中估计多个人的 3D 人体姿态的方法,通过多个视角估计人体姿态在全局坐标系内,并利用二分图匹配跟踪多人在多帧中实现特别高效的 3D 解决方法,取得了最先进的结果。
- CVPRMaX-DeepLab: 带有 Mask Transformer 的端到端全景分割
紧集分割的最新技术 MaX-DeepLab 使用全新的端对端方法,通过双向 CNN 信道和双倍展开使大规模各类实例的分割更准确。
- 半在线二分匹配
本文介绍了半在线模型,分析了其应用于二分图匹配问题的效果,给出了竞争性的算法并证明其同样具有竞争性,竞争度可以在完全在线模型和完全离线模型之间插值。
- AAAI通过子模性在在线二分匹配中平衡相关度和多样性
本文介绍了在线子模二分图匹配问题(Online Submodular Bipartite Matching)的概念和算法,该问题旨在在考虑到多样性和相关性的情况下,通过优化子模函数 $f$ 来匹配边的集合以得到最佳匹配。
- ICLR共同学习:不同神经网络是否学习相同表示?
本文研究了神经网络所谓的收敛学习现象,使用多种技术对神经网络进行了实验,发现了一些神经网络的未知属性,包括神经网络中某些特征通常会被成功学习,而其他特征则没有被可靠地学习,单元学习低维子空间,而这些子空间是多个网络共有的,但学习的基向量不一