- 节点分类的全局 - 局部图神经网络
提出了一种名为 Global-Local-GNN (GLGNN) 的方法,通过利用全局和局部信息以及节点标签和特征的学习,提高了节点分类 GNNs 的性能,并显示了全局信息利用对节点分类的重要性。
- PixRO: 基于像素分布的旋转测距与高斯置信传播
本文提出一种新的方法,通过像素层面的局部信息和邻域像素的本地信息传递,实现对帧间旋转估计的估算,从而产生高级、有信息的线索,而不是原始像素读数。
- LongVLM:通过大型语言模型实现高效长视频理解
使用长视频理解任务中的 Large Language Models(LLMs)面临的挑战,本文提出了一种名为 LongVLM 的 VideoLLM 模型,通过分解长视频为短期片段,并使用分层令牌合并模块编码局部特征,维护顺序,整合全局语义信 - COLING探索多模态大型语言模型的全局和局部语义表示
研究发现,模型的中间层能够更好地编码全局语义信息,表征向量在视觉 - 语言蕴含任务中表现更好,而最顶层的模型可能过于关注局部信息,导致对全局信息编码能力减弱。
- 用于改进历史文献图像增强的逐层令牌到令牌转换网络
提出了一种基于 Tokens-to-token 视觉变换器的新型文档二值化编码 - 解码器架构 T2T-BinFormer,通过逐步分词技术捕捉图像的局部信息,优于现有的 CNN 和 ViT 方法,在各个基准测试中表现出更高的效果。
- 基于混合聚焦和全范围注意力的图变换器
基于纯注意力机制的 FFGT 图形 Transformer 可以缓解学习全局相关性时丢失本地信息的问题,并通过将全融注意力与邻域注意力相结合来聚合全局和本地信息,从而提高了现有图形 Transformer 在各种开放数据集上的性能。
- 通过本地节律稀疏脉冲网络
本文通过使用局部信息演示了脉冲神经网络如何防止传输近似于零的数据,从而在保持准确性的同时减少了通信和计算所需的能量,并展示了生物观察到的脉冲节律的新应用。
- Hyneter:用于目标检测的混合网络变压器
本研究指出 CNN 和 Transformer 检测器之间的本质差别是特征提取和传播中的本地信息和全局依赖之间的差距,为了解决这些差异,我们提出了一种新的远景 Transformer,称为 Hybrid Network Transforme - 使用虚拟对手模型进行决策
提出了一种基于分布式 Actor-Critic 算法的多智能体虚拟对手建模方法,通过构建虚拟模型来模拟未观察到对手的行为,使用本地可得信息实现虚拟对手模型的训练和优化。实验证明该方法能有效准确地模拟对手行为,相较于基线方法具有更快的收敛速度 - 控制变压器:基于 PRM 引导的返回条件序列建模的机器人在未知环境中导航
本文提出控制变压器 (Control Transformer) 结合基于采样的概率路图规划器 (Probabilistic Roadmap Planner) 的低层策略,应用于机器人领域的长周期任务,结果表明我们的框架可以仅利用局部信息解决 - 精密单级检测器
本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD),通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD,提高了其对于局部和语义信息的分析能力,解决了特征抽 - 仿生学的神经元适应提高神经网络的学习能力
通过多层感知器和卷积神经网络,研究对比黑比学习和平衡传播算法及其加宽自适应能力的表现及其仿生学上的意义。
- CVPRNICE-SLAM: 神经隐式可扩展编码用于 SLAM
本文介绍了一个名为 NICE-SLAM 的密集 SLAM 系统,它通过引入分层场景表示来结合多层次的局部信息,并通过预训练的几何先验来优化该表示,从而在大型室内场景中实现了细节重建。与最近的神经隐式 SLAM 系统相比,我们的方法更具可扩展 - 面部表情识别的多支路深度径向基函数网络
本文利用基于径向基函数的多个支路来增强卷积神经网络,以捕捉面部情绪识别中的局部模式信息。结果表明,该模型在某些数据集上取得了最先进的表现,并且整合局部信息使其成为竞争对手。
- UR2KiD: 无需局部一致性监督的统一检索、关键点检测和关键点描述
本文提出了一种基于 ResNet 模型的统一框架,用于关键点检测、特征提取和图像检索,不需要使用点对点的训练数据,利用通用技术在标准 ResNet 模型的连续层中提取局部信息,通过局部响应值的池化提取全局信息,可以在各种具有挑战性的评估条件 - 基于相似性的链路预测的对抗鲁棒性
本文提出了一种基于可靠查询的网络链路预测方法,通过 Bayesian Stackelberg 游戏框架,自动化地选择可靠查询,增加链路预测的鲁棒性和数据安全性,实验结果表明该方法有效性较好。
- CVPRNM-Net: 挖掘可靠邻居以获取强健的特征对应
该研究提出了一种兼容性特定的挖掘方法来搜索一致的邻居,在提取并聚合更可靠的特征方面,使用了一种具有层次结构的神经网络 NM-Net。