题目: AlignNet: Unsupervised Entity Alignment

摘要:

最近开发的深度学习模型能够学会在无监督的情况下将场景分割为组件对象。这开辟了许多新颖的研究方法,允许代理将对象(或实体)作为输入,而不是像素。不幸的是,尽管这些模型提供了单个帧的出色分割效果,但它们无法跟踪在一个时间步长处分割的对象与在后一个时间步长处对应的对象如何对齐(或对齐)。对齐(或对应)问题阻碍了在下游任务中使用对象表示的进展。在本文中,采取了解决对准问题的步骤,提出了AlignNet(无监督对准模块)。

成为VIP会员查看完整内容
20

相关内容

现实生活中常常会有这样的问题:缺乏足够的先验知识,因此难以人工标注类别或进行人工类别标注的成本太高。很自然地,我们希望计算机能代我们完成这些工作,或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,称之为无监督学习
【视频】几何数据嵌入表示学习,74页ppt
专知会员服务
32+阅读 · 2020年7月24日
【论文笔记】Graph U-Nets
专知
78+阅读 · 2019年11月25日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
已删除
将门创投
4+阅读 · 2019年4月1日
无监督元学习表示学习
CreateAMind
25+阅读 · 2019年1月4日
【泡泡一分钟】端到端的弱监督语义对齐
泡泡机器人SLAM
53+阅读 · 2018年4月5日
Deflecting Adversarial Attacks
Arxiv
8+阅读 · 2020年2月18日
Arxiv
5+阅读 · 2019年11月22日
Arxiv
5+阅读 · 2018年10月23日
VIP会员
相关VIP内容
【视频】几何数据嵌入表示学习,74页ppt
专知会员服务
32+阅读 · 2020年7月24日
相关资讯
【论文笔记】Graph U-Nets
专知
78+阅读 · 2019年11月25日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
已删除
将门创投
4+阅读 · 2019年4月1日
无监督元学习表示学习
CreateAMind
25+阅读 · 2019年1月4日
【泡泡一分钟】端到端的弱监督语义对齐
泡泡机器人SLAM
53+阅读 · 2018年4月5日
微信扫码咨询专知VIP会员