- AAAI端到端人员搜索的多样化知识蒸馏
本文旨在解决人物搜索中两步法和端到端方法的准确度和效率之间的矛盾。作者提出了一个简单但强大的端到端网络及深度知识蒸馏方法,辅以空间不变数据增强技术,达到了与最先进的两步法相当的准确率并保持了单个联合模型的高效性。
- 神经元全事件核指代消解
本文提出了一种端到端的事件共指方法 ——E3C 神经网络,它可以联合建模事件检测和事件共指解析任务,并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中,进一步提出了一种类型引导的事件共指机制。实验证明,我们的方法在两个标准数据集上 - 英文语音端到端命名实体识别
本文介绍了第一个公开的针对英语语音的命名实体识别 (NER) 数据集,并提出了一种端到端的方法,该方法同时优化 ASR 和 NER 标记器的组件。实验结果表明,所提出的端到端方法优于经典的两步方法,并讨论了如何使用语音的 NER 来处理 A - CVPRSCT: 基于集合限制的时间变换器用于集合监督动作分割
本文提出了一种弱监督学习的端到端方法,将视频分成小的时间段,并预测每个时间段的动作标签及其长度。通过测量时间段与注释动作标签之间的一致性,该方法可学习将视频划分为类一致的区域,并在三个数据集上实现了最先进的结果。
- 端到端驾驶调查:架构与训练方法
本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究,讨论了输入和输出模态、神经网络架构和评估方案,着重关注了可解释性和安全性这两方面的挑战,并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。
- ICML一种端到端的验证问题方法:学习正确的距离
使用参数伪距离联合编码器进行训练,得出的学习距离模型输出远高于基于余弦相似度的简单得分器以及广泛使用的下游分类器,简化了度量学习的复杂度,可用于验证问题的端到端方法.
- 混合整数规划作为一层
该研究介绍了一种新的决策集中学习方法,可以优化预测模型,支持将问题编码为混合整数线性规划,并使用割平面算法求解。实验结果表明,该方法在多个实际领域中的性能优于现有方法。
- 端到端多通道语音分离
本文提出了一种基于端到端的多通道语音分离模型,通过可学习空间特征的提出,在 WSJ0 远场语音分离任务中显著改进了单通道和传统多通道方法的性能。
- 利用 CMS 开放数据进行夸克和胶子的端到端喷注分类
使用高保真模拟的 CMS 开放数据,构建以低级检测器数据为基础的端到端喷注图像分类器,可以区分以夸克 vs. 胶子引发的喷注;并将端到端方法泛化到夸克 vs. 胶子二喷注 QCD 事件的事件级分类中,与使用手工特征的方法进行对比,结果表明端 - FurcaNeXt: 动态门控扩张时间卷积网络的端到端单声道语音分离
本文提出了几种深度卷积网络,包括多尺度动态加权门控扩展金字塔网络(FurcaPy)、带有 Intra-Parallel 卷积组件的门控 TCN(FurcaPa)、共享权重的多尺度门控 TCN(FurcaSh)以及带有门控差异卷积分量的扩张 - CVPR基于分组深度白化和上色变换的图像到图像翻译
该论文提出了一种针对图像翻译的端对端方法,通过创新的正则化方法有效地逼近样本的风格转换,缩短了运算时间复杂度和误差率,进一步扩展了方法的适用范围,实验证明该方法在训练和推断时速度快,且高效地反映了样本的风格。
- ACL视觉引导的归纳偏置在口语学习中的应用
本文讨论了一种利用多任务学习的方式,在端到端的语言处理中利用已有的转录发音从而带来图像检索表现的一个显著的提高,这是由于转录发音为模型提供了很强的归纳偏置,这些是通过匹配发音字幕、语音和文本、以及文本和图像等三个任务来实现的。
- 端到端语音识别的循环一致性训练
该论文介绍了一种使用未配对数据训练端到端自动语音识别模型的方法,并提出了一种基于语音编码器状态序列而非原始信号的损失来解决在中间文本瓶颈中丢失基本信息的问题,通过对 LibriSpeech 语料库的实验结果表明,这种循环一致性训练可以将单词 - 音乐推荐的深度内容 - 用户嵌入模型
本文提出了一种深度内容 - 用户嵌入模型,它采用混合方法解决了冷启动问题,并考虑了不同模式数据的联合,同时在音乐推荐和音乐自动标记任务中,表现出了明显的优势。
- 基于端到端的语音命名实体提取
该研究通过一种端到端的神经架构,直接从语音中提取命名实体,并针对语音识别和命名实体识别进行联合优化,相较于传统的流水线方法,实现了更好的命名实体识别结果(测试数据的 F-measure=0.69)
- ACL神经语义角色标注中的谓词和论元联合预测
本文提出一种全新的端到端方法,用于联合预测语义角色标签任务中的谓词、谓词指向的句子主语和宾语及它们之间的关系,并在 PropBank SRL 数据集上取得了最佳效果。
- CVPR基于深度神经网络的端对端三维人脸重建
该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建,并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。
- 从知识图谱中得出的知识问题
本研究提出一种针对知识图谱(如 DBpedia)自动生成知识问题的方法,通过使用端到端的方法,包括实体选择、三元组查询、答案选择和自然语言问句生成,并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。
- 自适应部件的属性识别
本文提出了一种端到端的深度学习方法,通过关键点生成对象部件并进行属性识别,采用多任务学习,实现对象部件和属性识别的联合优化,从而克服了以往基于部件的属性识别方法中存在的部件优化不足的问题,并在两个数据集上进行了广泛的实验验证了该方法的有效性 - 无人驾驶汽车的端到端学习
使用卷积神经网络实现端到端的无人驾驶系统,自动学习所需处理步骤的内部表示,以及如何检测车道等相关功能优化,最终将导致更好的表现和更小的系统