【MMAsia 2021】Patch-Based Deep Autoencoder for Point Cloud Geometry Compression
2022-12-29
86
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
目录
相关文章
|
8月前
|
算法
PyTorch
算法框架/工具
论文解读：LaMa:Resolution-robust Large Mask Inpainting with Fourier Convolutions
论文解读：LaMa:Resolution-robust Large Mask Inpainting with Fourier Convolutions
331
0
0
|
8月前
|
机器学习/深度学习
自然语言处理
算法
SS-AGA：Multilingual Knowledge Graph Completion with Self-Supervised Adaptive Graph Alignment 论文解读
预测知识图（KG）中缺失的事实是至关重要的，因为现代知识图远未补全。由于劳动密集型的人类标签，当处理以各种语言表示的知识时，这种现象会恶化。
56
0
0
|
8月前
|
机器学习/深度学习
自然语言处理
算法
TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking 论文解读
近年来，从非结构化文本中提取实体和关系引起了越来越多的关注，但由于识别共享实体的重叠关系存在内在困难，因此仍然具有挑战性。先前的研究表明，联合学习可以显著提高性能。然而，它们通常涉及连续的相互关联的步骤，并存在暴露偏差的问题。
95
0
0
|
8月前
|
机器学习/深度学习
自然语言处理
索引
GTEE-DYNPREF: Dynamic Prefix-Tuning for Generative Template-based Event Extraction 论文解读
我们以基于模板的条件生成的生成方式考虑事件抽取。尽管将事件抽取任务转换为带有提示的序列生成问题的趋势正在上升，但这些基于生成的方法存在两个重大挑战
75
0
0
|
8月前
|
机器学习/深度学习
自然语言处理
算法
ACL 2022：Graph Pre-training for AMR Parsing and Generation
抽象语义表示（AMR）以图形结构突出文本的核心语义信息。最近，预训练语言模型（PLM）分别具有AMR解析和AMR到文本生成的高级任务。
97
0
0
|
8月前
|
机器学习/深度学习
移动开发
自然语言处理
DEPPN：Document-level Event Extraction via Parallel Prediction Networks 论文解读
当在整个文档中描述事件时，文档级事件抽取（DEE）是必不可少的。我们认为，句子级抽取器不适合DEE任务，其中事件论元总是分散在句子中
85
0
0
|
9月前
|
机器学习/深度学习
人工智能
自然语言处理
【计算机视觉】CORA: Adapting CLIP for Open-Vocabulary Detection with Region Prompting and Anchor Pre-Matching
CORA 在目标检测任务中提出了一种新的 CLIP 预训练模型适配方法，主要包括 Region Prompting 和 Anchor Pre-Matching 两部分。
这种方法能够让 CLIP 模型适应目标检测的任务，能够识别出图像中的对象，并提供准确的分类和定位信息。
431
0
0
|
10月前
PointNet++:Deep Hierarchical Feature Learning on Points Sets in a Metrci Space 学习笔记
PointNet++:Deep Hierarchical Feature Learning on Points Sets in a Metrci Space 学习笔记
54
0
0
|
11月前
|
机器学习/深度学习
算法
图形学
Deep learning based multi-scale channel compression feature surface defect detection system
简述：首先应用背景分割和模板匹配技术来定义覆盖目标工件的ROI区域。提取的感兴趣区域被均匀地裁剪成若干个图像块，每个块被送到基于CNN的模型，以分类杂乱背景中不同大小的表面缺陷。最后，对空间上相邻且具有相同类别标签的图像块进行合并，以生成各种表面缺陷的识别图。
106
0
0