- ACL概率变换器:一种用于上下文词表示的概率依赖模型
我们提出了一种新的上下文词表示模型,由纯句法和概率角度设计。我们的模型类似于 transformers,能够竞争性地在小到中等规模的数据集上执行任务,希望能够弥补传统句法和概率方法与先进神经方法之间的差距,并激发未来更多基于语言学原则的神经 - 基于统计和深度学习的奥迪亚语词性标注
本文介绍了基于条件随机场和深度学习的方法开发 Odia 词性标注器。通过实验,发现使用带字符序列特征和预训练词向量的 bi-LSTM 模型可以达到显著的最新成果。
- 使用基于超像素的 CNN 和 CRF 模型实现高效细粒度道路分割
本文提出了一种使用 CNN 和 CRF 相结合的方法进行道路场景分割,采用超像素为 CNN 的输入基础,使计算效率更高,在保持较快运行速度的同时,在 KITTI 路标准测试中取得了可比拟的性能,适合于实时应用
- ICML基于结构化卷积核网络的航空公司机组排班
引入了结构卷积核网络(Struct-CKN)作为一种支持输出约束的结构化预测框架,将 Mairal 等人的 CKN 结合起来,将 CKNs 推广到了结构化输出,通过一个基于航班的网络建模实现了航空公司机组人员调度问题的初始解。实验证明,这种 - ACL基于掩码条件随机场的序列标注
本研究提出了一种易于实现的条件随机场变体 MCRF,对 CRF 生成的非法标签序列的问题进行了解决,并在几乎不增加成本的情况下,彻底改善了已有 CRF 模型的性能表现。
- MM一种基于 CRF 的在线多目标跟踪轨迹失活框架
以条件随机场为基础,针对在线多目标跟踪问题中的 tracklet 失效问题,提出了一种离散 CRF 框架,利用跟踪假设的帧内关系改进稳健性并考虑了各种实际情况下的跟踪挑战,经过大量实验验证该框架在 MOT16 和 MOT17 基准测试中表现 - 有说服力的对话理解:基线和负面结果
本文旨在研究使用 Transformer 和 CRF 模型进行说服策略识别的方法,并通过实验证明该方法存在缺陷,不能很好地识别个人之间的对话关系和标签依赖关系。
- BP-MVSNet: 多视角立体的置信传播层模型
本研究中提出了一种基于卷积神经网络的多视图立体(MVS)方法 BP-MVSNet,该方法使用一个可微条件随机场(CRF)层进行规范化,其能够在不同的尺度情况下得到高质量的深度地图。该方法经过 ablation study 和多组实验数据的测 - 面部特征点检测的深度结构预测
本文提出了一种深度结构化面部标记检测方法,该方法使用深度卷积网络和条件随机场相结合,能够在面部标记检测上取得比现有技术更卓越的性能,特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。
- EMNLPAIN:具有近似推断网络的快速准确的序列标注
本文介绍了一种基于并行化的近似变分推断算法,用于提高线性链条件随机场模型的训练和预测速度,并将其设计成可连接编码器的端到端网络,在长句子情况下,该方法在准确率不降的情况下将解码速度提高了 12.7 倍。
- 探索使用词性标注嵌入的 Bi-LSTM 和 CRF 在印尼命名实体标记中的应用
本文使用深度学习中的长短时记忆模型和条件随机场模型,通过使用 8400 句训练语料和 97 句测试语料,研究了词性嵌入和模型结构对印尼命名实体识别的影响。结果表明,使用词性嵌入作为额外输入有助于提高识别性能,但 Softmax 和 CRF - 基于 CRF 的学习鉴别性特征方法用于非监督视频对象分割
本文提出了一种名为 DFNet 的新型网络,用于解决无监督视频物体分割任务,通过提取刻画全局特征分布的判别性特征,使用条件随机场 (CRF) 建立与测试图像的特征对应关系,并在像素级别上进行一致性约束。实验结果表明,该方法在使用更少的参数和 - CVPRClusterVO: 将移动实例聚类并估计自身与周围的视觉里程计
ClusterVO 是一种在线立体视觉里程计,能够同时聚类估计自身和周围的刚性聚类 / 物体的运动,其核心是多级概率相关机制和结合语义、空间和运动信息的异构条件随机场聚类方法,在 Oxford 多动态和 KITTI 数据集上达到了与最先进解 - ICCV自监督差异检测用于弱监督语义分割
该研究提出一种基于弱监督下的语义分割新方法,包括去噪和映射函数的改进,在 PASCAL Visual Object Classes 2012 数据集上实验验证,达到了绝对精度为 64.9% 和测试集精度为 65.5% 的最新水平。
- 具有相关和全局注意力机制的依存感知实体识别
通过语法和树结构,我们使用基于语言学的方法识别实体,并通过相对和全局注意机制增强模型特征,最终在标记空间中线性投影加权向量以预测实体标签,发现该模型可以检测揭示句子中实体类型的单词,并在两个数据集上创立了新的最新技术水平。
- 历史登记簿表格识别的机器学习方法比较
本文研究手写登记簿中的表格识别问题,比较了条件随机场和图卷积网络两种机器学习方法,通过对来自帕绍教区档案馆的死亡记录进行评估,发现两种方法都具有相似的 89 个 F1 分数,在信息提取方面具有很高的质量。所使用的软件和数据集都是开源的。
- ICMLGMNN: 图马尔可夫神经网络
本研究提出了 Graph Markov Neural Network (GMNN) 模型,将统计关系学习和图神经网络的优势相结合,通过有条件随机场建模对象标签的联合分布,并利用变分 EM 算法进行有效训练,在目标分类、链接分类和无监督节点表 - CVPRJSIS3D:基于多任务点网络和多值条件随机场的三维点云联合语义实例分割
本文提出了一种用于 3D 点云的多任务点位网络,实现了语义和实例分割,并比较了不同数据集上的表现。与单一组件相比,我们的方法表现出了更好的鲁棒性和语义分割性能,使用了多值条件随机场进行语义与实例标签联合优化。
- CVPR基于门控时空能量图的视频关系推理
本文介绍了一种基于全连通时空图的条件随机场模型,利用空间和时间上的关系较强的实体之间的统计依赖关系,通过在视觉观察条件下学习自适应关系来对其进行优化,同时,其在视频数据集(ImageNet Video 和 Charades)上表现出了最先进 - 图分解的端到端学习
提出了一种基于条件随机场的端到端可训练框架来解决图分解问题,用于图的二值化和特征表示学习,并在 MNIST 和真实世界中的多人姿态估计任务中进行了验证。