- DeepPavlov 参加 SemEval-2024 第 8 题:利用迁移学习检测机器生成文本边界
该研究论文揭示了多生成器、多领域、多语言的黑盒机器生成文本检测共享任务,介绍了一种用于增强数据以进行监督微调的 DeBERTaV3 流水线,并在比赛排行榜中获得了最佳 MAE 得分。
- TM-TREK 参加 SemEval-2024 任务 8:面向基于 LLM 的人机混合文本自动边界检测
本文研究了大型语言模型在辨别人工写作文本和模型生成文本中的能力,通过将此任务转化为标记分类问题并将标记转折点视为边界来处理。其中,我们的语言模型集成模型在 SemEval'24 竞赛第 8 任务的 “人机混合文本检测” 子任务中取得了第一名 - AIpom 参加 SemEval-2024 任务 8:在 M4 中检测 AI 产生的输出
AIpom 是一个系统,用于检测人工编写和机器生成文本之间的边界,并通过使用经过指令调整的解码器模型和仅编码器模型的序列标记器来提出一个两阶段的流水线。AIpom 在排行榜上排名第二,平均绝对误差达到 15.94,混合了人工编写和机器生成文 - Mobile-Seed:移动机器人的联合语义分割和边界检测
Mobile-Seed 是一个轻量级的双任务框架,旨在同时改进语义分割性能和准确定位物体边界。通过引入两个编码路径、主动融合解码器和双任务正则化方法,Mobile-Seed 能够动态适应语义和边界信息的融合,并通过正则化损失减轻双任务学习中 - 基于拓扑数据分析和滑动窗口技术的人工文本边界检测
通过使用不同的方法和特征,我们提出了一种基于 RoBERTa 模型和冻结语言模型嵌入特征的新方法,能够超过人类准确度水平和先前考虑的基准,在真实或假文本基准测试上取得更好的结果,并且分析了各种设置下所有提出分类器的鲁棒性以及对人工文本边界检 - Boundary-RL: TRUS 图像中弱监督前列腺分割的增强学习
我们提出了一种新颖的弱监督分割方法 Boundary-RL,该方法只利用补丁级别的标签进行训练。我们将分割视为边界检测问题,而不是像之前的工作那样像素级别的分类。我们的方法通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数,从而定位 - DKU-DUKEECE 系统针对 ADD 2023 操控区域位置任务的研究
我们的系统通过使用多个检测系统识别拼接区域并确定其真实性,其中包括边界检测和深度伪造检测的两个帧级系统,以及使用真实数据训练的第三个 VAE 模型来确定给定音频剪辑的真实性。通过这三个系统的融合,我们在 ADD 2023 的二号任务中表现出 - ICLR向量变换实现的零像素定向边界
本文提出了一种基于向量转换函数的边界预测方法,避免了传统的类别不平衡导致的粗边界问题,可同时估计方向和上下文信息,并在多个数据集上证明其出色的性能。
- 使用分段对比预测编码进行无监督语音分割和可变速率表示学习
该论文提出了一种使用自监督学习和分段对比预测编码框架来同时完成语音信号的音素和类似单词的分割任务,并发现了连续元音或半元音之间的边界是最难识别的,从而可以在较低的特征提取率下提取出更好的语音特征。
- MM一种重点关注边界的水下图像语义分割方法及真实水下场景语义分割数据集
为了提高水下抓取效率,我们标记并建立了第一个真实场景的水下语义分割数据集 (DUT-USEG:DUT Underwater Segmentation Dataset),并基于此数据集提出了一个重点关注边界的半监督水下语义分割网络 (US-N - 可学习逻辑规则的弱监督命名实体识别
本文通过使用少量规则进行弱监督来构建实体标记系统的问题,并提出了一种新的方法 TALLOR,该方法使用高质量的逻辑规则来训练神经标记器, 以完全自动化的方式提高准确性,同时避免神经标记器的过度拟合。
- MM视频片段检索的逐帧跨模态匹配
本文提出了一种基于交互建模的专注跨模态相关性匹配(ACRM)模型,用于预测时间边界,并通过内部帧进行模型训练以提高定位精度,通过在 TACoS 和 Charades-STA 数据集上进行的实验表明,ACRM 模型优于几种最先进的方法。
- 使用迭代金字塔上下文实现联合语义分割和边界检测
本文提出了一种联合多任务学习框架,利用迭代金字塔上下文模块(PCM)耦合两个任务来实现语义分割和边界检测,并引入了新的空间梯度融合技术来处理非语义边缘。通过实验证明,该框架不仅在语义分割方面表现出比其他同类方法更优异的性能,还可以有效改善语 - EGNet: 边缘引导网络用于显著目标检测
该研究提出了一种名为 EGNet 的边缘引导网络,它结合了显著边缘信息和显著物体信息,实现了更加精确的物体边缘定位。结果显示,该方法在六个广泛使用的数据集上表现优异,无需进行预处理和后处理。
- 遥感图像语义分割的边界损失
通过使用一种新的可微分度量替代传统分割损失函数,我们提出了一种新的分割边界检测方法,该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界,并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证,最终的结果表明,该方 - 从图像中推断轮廓素描
本文提出了一种基于学习的方法,采用新的数据集进行轮廓图的生成和处理,可以精确定位视觉场景的轮廓和边界,相对于传统的边界检测方法有更好的性能表现,并且在 BSDS500 上取得了最新的性能成果。
- ECCV学习预测清晰的边界
本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络,该网络有效地利用层次特征并生成像素精确的边界掩模,从而不需要后处理即可生成准确、锐利的边缘。实验结果表明,这种方法不仅可以促进 CNN 的视觉结 - 密集体积到体积的血管边界检测
介绍了一种叫做 I2I-3D 的 3D 卷积神经网络体系结构,用于在体积数据中预测边界位置,并且经过实验证明,该深度学习方法优于结构森林 3D 和 HED 等方法,适用于医疗数据的边界检测,同时能够捕捉到细微的结构。
- 弱监督的物体边界
本文提出了一项弱监督技术用于生成边界检测的标注,仅使用边界框的标注数据即可在目标边界检测任务中达到高性能。该方法在边界检测任务上表现优于当前最先进的完全监督方法。
- 深度学习推动边界检测的界限
通过将深度卷积神经网络应用于边界检测任务,结合精心设计的损失、多分辨率架构和外部数据的训练,结合基于 Normalized Cuts 技术的聚类方法的深度学习,将边界检测的最优分割数据量的 F 测量从 0.780 提高到 0.808,成功提