LISBET: a machine learning model for the automatic segmentation of social behavior motifs
University of Geneva(日内瓦大学)
针对现有社会行为分析方法耗时、有偏差且难捕捉细微行为的问题,提出基于自监督学习的社会行为Transformer模型LISBET,可自动检测分割社会互动,在小鼠三类任务中有效,还发现对应行为基序的神经特征。
2024-10-09 cs.CV cs.LG q-bio.QM
Learning Penalty for Changepoint Detection via Automatic Feature Extraction
针对最优划分算法中惩罚参数确定难的问题,提出利用循环网络自动从原始序列提取特征以学习惩罚项的变点检测新方法,在20个基准基因组数据集上准确率优于传统方法。
2026-11-05 cs.LG stat.AP
Automatic Aspect Extraction from Scientific Texts
Novosibirsk State University(新西伯利亚国立大学);A.P. Ershov Institute of Informatics Systems(A.P. 叶尔绍夫信息系统研究所)
本研究针对俄语科学文本自动方面提取需求,构建了标注多类方面的跨领域数据集,提出基于微调多语言BERT的基线算法,验证了模型跨领域泛化能力并开源相关资源。
2023-10-06 cs.AI cs.CL cs.LG
Automatic Detection of Satire in Bangla Documents: A CNN Approach Based on Hybrid Feature Extraction Model
Shahjalal University of Science & Technology(沙赫贾拉尔科技大学)
讽刺新闻在网络社区中的广泛传播是一种持续的趋势。讽刺的本质是如此的模棱两可,有时甚至连人类都很难理解它是否真的是讽刺。因此,对这一领域的研究兴趣越来越大。本研究的目的是检测孟加拉国讽刺新闻在在线新闻门户网站以及社交媒体上的传播。在本文中,我们提出了一种混合技术,从文本文档中提取特征结合Word2Vec和TF-IDF。使用我们提出的特征提取技术,与标准的CNN架构,我们可以检测是否孟加拉语文本文档是讽刺或没有超过96%的准确率。
2019-11-19 cs.CL cs.IR cs.LG
On automatic extraction of on-street parking spaces using park-out events data
MBition GmbH(MBition有限公司);Daimler AG(戴姆勒股份公司)
本文提出了两种不同的方法来自动创建有效的路边停车位的地图。为此,我们使用汽车共享停车事件数据。第一个使用空间聚合,第二个使用机器学习算法。对于前者,我们选择了光栅化和道路分段;对于后者,我们选择了决策树。我们比较了这些方法的结果并讨论了它们的优点和缺点。此外,我们展示了我们的结果在柏林市的一个街区,并报告了91.6%的分类准确率的原始不平衡数据。最后,我们讨论了进一步的工作;从在更长的时间内收集更多的数据,到将空间高斯密度拟合到数据,以及使用应用程序进行停车位的手动验证和注释,以改善地面实况数据。
2021-08-01 cs.LG
Regularizing Learnable Feature Extraction for Automatic Speech Recognition
RWTH Aachen University(亚琛RWTH大学);AppTek GmbH(AppTek公司)
针对可学习语音特征前端易过拟合的问题,本文研究音频扰动与STFT域掩码两种正则化方法,改进SpecAugment并弥合其与传统特征的性能差距。
2025-09-30 cs.CL cs.LG cs.SD
Enabling Regional Explainability by Automatic and Model-agnostic Rule Extraction
Imperial College London(帝国理工学院);The UK Dementia Research Institute(英国痴呆症研究所)
针对可解释AI中现有规则提取方法在不平衡数据下牺牲少数类性能的问题,提出模型无关的特定子群规则提取方法及新特征选择方法,提升区域可解释性并降低高维计算成本,经多数据集多模型实验验证有效。
2024-08-15 cs.AI cs.LG
Deep Neural Networks for automatic extraction of features in time series satellite images
许多地球观测计划,如Landsat、Sentinel、SPOT和Pleiades,每天都会产生大量的中高分辨率多光谱图像,这些图像可以按时间序列进行组织。在这项工作中,我们利用这些图像提供的时间和空间信息来生成土地覆盖图。为此,我们将完全卷积神经网络与卷积长短期记忆相结合。提出的时空神经网络架构的实施细节。实验结果表明,时间序列图像提供的时间信息可以提高土地覆盖分类的准确性,从而产生最新的地图,可以帮助确定地球上的变化。
2020-08-17 cs.CV cs.LG eess.IV
Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction
Peking University(北京大学);The Hong Kong University of Science and Technology(香港科技大学);Deepwise AI Lab(深智城人工智能实验室)
从三维医学图像中自动提取血管是血管疾病诊断的关键。基于卷积神经网络(CNN)的现有方法在从3D图像分割这种薄的管状结构时可能遭受所提取的血管的不连续性。我们认为,保持提取的血管的连续性需要考虑到全球的几何形状。然而,3D卷积在计算上是低效的,这使得3D CNN无法获得足够大的感受野来捕获整个图像中的全局线索。在这项工作中,我们提出了一种混合表示学习方法来应对这一挑战。其主要思想是使用CNN来学习图像作物中血管的局部外观,同时使用另一个点云网络来学习整个图像中血管的全局几何形状。在推理中,所提出的方法使用CNN提取血管的局部片段,使用点云网络基于全局几何形状对每个片段进行分类,最后使用最短路径算法连接属于同一血管的所有片段。这种组合产生了一种高效、全自动和无模板的方法来从3D图像中提取中心线。我们在CTA数据集上验证了所提出的方法,并证明了其与传统和基于CNN的基线相比的优越性能。
2020-12-14 cs.CV cs.LG eess.IV
Automatic extraction of materials and properties from superconductors scientific literature
University of Mannheim(曼海姆大学)
本文提出 Grobid-superconductors,结合机器学习与启发式方法从科学文献中自动提取超导体材料名称及性质,并据此构建了包含 40324 条记录的 SuperCon2 数据库。
2022-11-23 cond-mat.supr-con cs.CL cs.LG
Automatic Music Highlight Extraction using Convolutional Recurrent Attention Networks
Clova AI Research(Clova人工智能研究院);NAVER Corp.(NAVER公司);Hong Kong University of Science and Technology(香港科技大学)
音乐集锦是音乐服务的宝贵内容。大多数方法集中在低电平信号特征。我们提出了一种使用卷积递归注意力网络(CRAN)的高级特征提取高光的方法。CRAN利用卷积和递归层进行顺序学习,并具有注意力机制。注意力允许CRAN捕获重要的片段以区分流派,从而被用作高级功能。CRAN在两个月内对韩国32,000多首流行曲目进行了评估。实验结果表明,通过定量和定性评估,我们的方法优于三种基线方法。此外,我们还分析了注意和序列信息对绩效的影响。
2017-12-16 cs.LG cs.MM cs.SD
Activity report analysis with automatic single or multispan answer extraction
Qualcomm QTI Technologies Inc(高通QTI技术公司)
在物联网时代,我们被大量的AI设备所包围,这些设备可以将图像、视频、音频和传感器信号转录成文本描述。当在用于监视、生活记录和异常检测应用的活动报告中捕获这种瞬态时,用户通常会请求摘要或询问关于他们感兴趣的报告的某些部分的有针对性的问题。根据所问问题的上下文和类型,问答(QA)系统将需要自动确定答案是否涵盖单跨度或多跨度文本成分。目前可用的QA数据集主要集中在单跨度响应(如SQuAD[4])或包含低比例的多跨度答案的示例(如DROP[3])。为了研究在所描述的用例中单跨度/多跨度答案的自动选择,我们创建了一个新的灵巧家庭环境数据集,该数据集由根据问题和查询的上下文与单跨度或多跨度答案配对的问题组成。此外,我们提出了一个基于RoBERTa[6]的多跨度提取问答(MSEQA)模型,为给定的问题返回适当的答案跨度。我们的实验表明,该模型在我们的数据集上的性能优于最先进的QA模型,同时在已发布的单个/多跨度任务数据集上提供相当的性能。
2022-09-09 cs.CL cs.LG
Automatic Feature Extraction for Heartbeat Anomaly Detection
Romanian Institute of Science and Technology(罗马尼亚科学技术研究院);Babes-Bolyai University(巴比什-波雅依大学);Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克数学与科学研究所)
我们专注于原始音频心跳声音的自动特征提取,旨在医疗保健中的异常检测应用。我们在由1D非因果卷积编码器和WaveNet解码器组成的自动编码器的帮助下学习特征,WaveNet解码器采用最大均值离散(MMD),基于变分推理,采用修改后的目标进行训练。此外,我们使用高斯链图形模型来捕获表征编码信号的时间相关性,对潜在分布进行建模。在以无监督的方式对自动编码器进行重建任务的训练后,我们通过训练SVM来预测异常来测试学习到的潜在表示的重要性。我们评估的PASCAL分类心音挑战提出的一个问题上的方法,我们在文献中的结果进行比较。
2021-02-24 cs.LG cs.SD eess.AS
FRANS: Automatic Feature Extraction for Time Series Forecasting
Monash University(莫纳什大学);University of Sydney(悉尼大学)
特征提取方法有助于降维并捕获相关信息。在时间序列预测(TSF)中,特征可以作为辅助信息来实现更好的精度。传统上,TSF中使用的功能是手工制作的,这需要领域知识和大量的数据工程工作。在这项研究中,我们首先介绍了静态和动态功能的概念,然后使我们能够开发我们的自主特征检索自回归网络的静态功能(FRANS),不需要领域知识。该方法是基于一个CNN分类器,该分类器被训练为每个系列创建一个集体和唯一的类表示,或者从该系列的部分,或者,如果类标签可用,从一组系列的同一类。它允许区分具有相似行为但来自不同类别的系列,并使从分类器中提取的特征具有最大的区分性。我们探索我们的功能的可解释性,并评估预测元学习环境FFORMA内的方法的预测能力。我们的研究结果表明,我们的功能导致在大多数情况下的准确性的提高。一旦经过训练,我们的方法比统计方法更快地创建特征数量级。
2022-09-15 cs.LG
Body Shape Privacy in Images: Understanding Privacy and Preventing Automatic Shape Extraction
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);CISPA Helmholtz Center for Information Security(亥姆霍兹信息安全研究中心);Saarland Informatics Campus(萨尔兰信息学园区)
姿态和体型估计的现代方法最近甚至在具有挑战性的现实世界条件下也取得了很好的性能。即使从穿着衣服的人的单个图像,也可以推断出很好地捕捉用户的体重组和体型类型的看起来真实的体型。这开辟了一系列应用领域,特别是在时尚领域,虚拟试穿和推荐系统可以利用这些新的自动化提示。然而,对裸体的真实描绘被认为是高度隐私的,因此可能不会得到大多数人的同意。因此,我们要问的是,是否可以有效地避免自动提取这些信息。虽然对抗性扰动已被证明对操纵机器学习模型的输出有效-特别是端到端深度学习方法-最先进的形状估计方法由多个阶段组成。我们进行了不同的策略,可用于有效地操纵自动形状估计,同时保留原始图像的整体外观的第一次调查。
2020-10-22 cs.AI cs.CR cs.CV
Automatic Metadata Extraction Incorporating Visual Features from Scanned Electronic Theses and Dissertations
Old Dominion University(奥尔德多米宁大学);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
电子论文和学位论文(ETD)包含可用于许多数字图书馆任务的领域知识,例如分析引文网络和预测研究趋势。元数据的自动抽取对于构建可扩展的数字图书馆搜索引擎具有重要意义。大多数现有的方法都是针对电子文档设计的,因此它们通常无法从扫描的文档(例如ETD)中提取元数据。传统的序列标记方法主要依赖于基于文本的特征。在本文中,我们提出了一个条件随机场(CRF)模型,结合了基于文本和视觉特征。为了验证我们的模型的鲁棒性,我们扩展了现有的语料库,并创建了一个新的地面实况语料库,由500个ETD封面页和人类验证的元数据组成。我们的实验表明,CRF与视觉功能优于启发式和CRF模型,只有基于文本的功能。该模型在7个元数据字段上实现了81.3%-96%的F1测度。数据和源代码分别在Google Drive(https://tinyurl.com/y8kxzwrp)和GitHub存储库(https://github.com/lamps-lab/ETDMiner/tree/master/etd_crf)上公开提供。
2021-07-01 cs.DL cs.LG
Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images
Military Institute of Science and Technology (MIST)(军事科学技术学院(MIST))
本研究提出基于EfficientNet骨干的U-Net++网络,通过深度监督和重设计的跳跃连接提升高分辨率卫星图像建筑提取精度,在Massachusetts数据集上平均准确率92.23%,平均IoU 88.32%,优于现有方法。
2023-09-05 cs.CV cs.LG eess.IV
Using musical relationships between chord labels in automatic chord extraction tasks
Ircam(法国声学/音乐研究和协作学院);CNRS(法国国家科学研究中心);University of La Rochelle(拉罗谢尔大学)
近年来,基于机器学习的和弦自动提取模型的改进成为研究的热点。然而,大多数模型仍然没有考虑到标签字母(和弦标签)的先验知识。此外,最近的工作表明,ACE性能正在朝着玻璃天花板收敛。因此,这提示需要把重点放在其他方面的任务,如介绍音乐知识的代表性,改进的模型对更复杂的和弦字母表和更适应的评价方法的发展。在本文中,我们建议利用和弦标签之间的特定属性和关系,以提高统计ACE模型的学习。因此,我们分析了和弦表示及其相关距离的相互依赖性,和弦字母表的精度,以及在模型训练之前或之后减少字母表的影响。此外,我们提出了基于音乐理论的新的训练损失。我们表明,这些改进的ACE系统的基础上卷积神经网络的结果。通过对我们的结果进行深入分析,我们发现了一组基于统计模型的ACE任务的相关见解,并正式确定了一些分类错误的音乐意义。
2019-11-14 cs.IR cs.LG cs.SD
An enhanced neural network based approach towards object extraction
National Institute of Technology, India(印度国家技术学院)
卫星图像光谱和空间分辨率的提高促进了从卫星图像和航空照片中自动提取和识别特征。提出了一种自动目标提取方法,用于从卫星图像中提取和识别各种目标,并针对IRS卫星图像验证了该系统的准确性。该系统以神经网络为基础,模拟遥感图像的目视解译过程,提高了图像分析的效率。该方法获得了各种特征的基本特征,并通过自动学习方法、智能解释和智能插值来提高性能。该方法的主要优点是其简单,系统识别的特征不仅基于像素值,而且基于形状,haralick特征等的对象。此外,该系统允许基于大小和形状来识别相同类别内的特征的灵活性。该系统的成功应用验证了其有效性,并通过地面实况验证对系统的精度进行了评估。
2014-02-05 cs.CV cs.LG cs.NE