关键词multi-label prediction
搜索结果 - 12
- 心血管疾病多标签预测的半监督学习:多数据集研究
提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病,包括心肌缺血、心室肥厚和心房颤动等,该方法通过神经网络模型结合众多技巧和模块,缓解了标签稀缺性、样本不均衡、未知数据上的性能问题,具有较高的鲁棒性和准确性。
- CVPR在电影场景中学习情绪和心理状态
使用 EmoTx,一个多模态变压器架构,结合视频、多种角色和对话语句进行联合预测,以预测场景和每个角色的多样且多标签情感。在最频繁出现的 10 个和 25 个标签上进行实验,并将 181 个标签映射到 26 个聚类。消融实验和与现有情感识别 - TOLD:一种新颖的两阶段重叠感知演讲人分离框架
本文旨在通过两种新的端到端神经会话分离 (EEND) 模型来处理讲话者活动的重合和联系,分别为基于幂集编码的重合感知 EEND-OLA 和基于两阶段混合系统的 TOLD,结果表明相较于原始 EEND,EEND-OLA 在音频行话数据集上 D - AAAI基于神经网络跨度的连续命名实体识别模型
本论文提出了一种名为 SpanKL1 的简单而有效的基于 Span 的模型,采用知识蒸馏和多标签预测技术,旨在解决命名实体识别领域中实体类型不断增加的问题,并在 OntoNotes 和 Few-NERD 等数据集上进行实验,结果表明 Spa - ACL时间感知的古代汉语文本翻译与推理
本文旨在解决翻译古代中文文本所面临的语言困境和信息缺失,提出采用多标签预测任务,预测翻译和具体年代,并以现代中文翻译为基础扩展为多语言输出,实验证明该框架在产生高质量翻译输出方面的有效性。
- ICCV基于图结构洞见的多标签预测和分类无监督人员重识别
本文提出了一种基于图形结构洞察力的多标签预测和分类方法,它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上,提出了 GSMLP 和 SMLC 两种方法,可以在不需要预标记数据集的情况下提高无监督个人 Re - CVPR场景图生成的语义歧义概率建模
本研究提出了一种新的 Probabilistic Uncertainty Modeling(PUM)模块,通过对不确定性建模实现具有多样性的场景图预测,并与 ResCAGCN 模型相结合,在 Visual Genome 基准测试中取得了最先 - ECCV双重多标签预测的自适应目标检测
本文提出了一种新的端到端无监督深度领域适应模型,利用多标签对象识别作为双重辅助任务实现自适应对象检测,使用多标签预测揭示每个图像中的对象类别信息,然后使用预测结果执行条件对抗全局特征对齐,从而可以处理图像特征的多模态结构以在全局特征级别上连 - 基于语境的递归神经网络
本文介绍了一种名为 Grounded Recurrent Neural Network (GRNN) 的适用于多标签预测的循环神经网络结构,其具有将标签明确绑定到递归隐状态的特定维度的特点,这个过程叫做 “接地”。 该方法特别适用于从文本中 - ICML输入凸神经网络
本文介绍了输入凸性神经网络的架构和方法,通过网络参数的约束使得神经网络输出成为输入的凸函数,实现了高效的推理、优化和学习,在多标签预测、图像完成和强化学习等方面具有更好的性能表现。
- ICML最大间隔输出编码
本文研究了用于多标签预测的输出编码问题,并提出了一种同时具有差异性和可预测性的最大间隔度量学习方法,该方法在图像、文本和音乐分类方面的实证研究中优于其他多标签预测方法。
- 基于压缩感知的多标签预测
使用压缩感知的思想,将多标签预测问题简化为二元回归问题,并通过输出码方案实现了该方法,同时保证了鲁棒性。