专栏首页AI科技评论今日 Paper | 多人姿势估计;对话框语义分析;无监督语义分析;自然语言处理工具包等

今日 Paper | 多人姿势估计;对话框语义分析;无监督语义分析;自然语言处理工具包等

目录

  • 基于层次表示的面向任务对话框语义分析
  • 固定的无监督语义分析
  • 斯坦福CoreNLP自然语言处理工具包
  • DeepCut:用于多人姿势估计的联合子集分区和标签
  • 基于搜索的神经结构学习的顺序问答

基于层次表示的面向任务对话框语义分析

论文名称:Semantic Parsing for Task Oriented Dialog using Hierarchical Representations

作者:SonalGupta /RushinShah / MrinalMohit /AnujKumar

发表时间:2018/10/18

论文链接:https://arxiv.org/pdf/1810.07942.pdf

推荐原因

本文核心问题:这是Facebook的一篇论文,核心是做任务型对话系统,任务型对话系统目前有两个主流的方式,一种是基于意图识别和实体抽取的方法,但是这种方法很难解决复杂的查询工作。还有一种是将自然语言直接转换为计算机可以理解并且执行的语言,本文就是解决这个问题

创新点:面向任务的对话框系统的分层语义表示,它可以对组合查询和嵌套查询建模。提出了一个语义解析的层次化注释方案,它允许组合查询的表示,并且可以被标准的选区解析模型高效准确地解析。而且还发布了一个由44k个带注释的查询1组成的数据集。

研究意义:在这个数据集上,解析模型的性能优于序列到序列的方法。

固定的无监督语义分析

论文名称:Grounded Unsupervised Semantic Parsing

作者:Hoifung Poon

发表时间:2017/5/13

论文链接:https://www.microsoft.com/en-us/research/wp-content/uploads/2017/05/gusp13.pdf

推荐原因

核心问题:这是一篇做语义解析的工作,具体来说就是通过无监督的方式,将自然语言转成精准的数据库查询

创新点:这是第一个无监督的语义解析工作,本论文提出了一种GUSP系统,使用EM学习概率语义语法,以弥补直接监督的不足,还有一点是使用数据库来进行辅助式监督学习,因为生成的SQL语言可以通过数据库来获取到是否可以执行

研究意义:在ATIS数据集中GUSP系统准确度达到84%,还有一点就是这种方式不需要具体的数据,这种无监督方式在一定程度上解决了数据量不足的问题。

斯坦福CoreNLP自然语言处理工具包

论文名称:The Stanford CoreNLP Natural Language Processing Toolkit

作者:ChristopherD.Manning /Mihai Surdeanu /John Bauer

发表时间:2014/6/23

论文链接:https://www.aclweb.org/anthology/P14-5010.pdf

推荐原因

最近在做英文的数据预处理的时候,使用了斯坦福大学的数据预处理工具包coreNLP,这个工具包可以完成以下的几个工作:

1.分词

2.词性标注

3命名实体识别

4句法成分分析

5依存句法分析

等等,提供了一系列的人类语言技术工具。支持多种自然语言处理基本功能,Stanfordcorenlp是它的一个python接口,这篇论文就是介绍这个工作的,这里推荐给大家阅读一下,可以说这些工作都是nlp的基础性的工作。

DeepCut:用于多人姿势估计的联合子集分区和标签

论文名称:DeepCut: Joint Subset Partition and Labeling for Multi Person Pose Estimation

作者:Pishchulin Leonid /Insafutdinov Eldar /Tang Siyu /Andres Bjoern /Andriluka Mykhaylo /Gehler Peter /Schiele Bernt

发表时间:2015/11/20

论文链接:https://arxiv.org/abs/1511.06645

推荐原因:领域:多人关节姿态估计

提出了一种共同解决检测和姿势估计任务的方法:推断场景中的人数,识别被遮挡的身体部位,并消除彼此相邻的人之间的身体部位的歧义。这种联合方式与以前的策略形成了鲜明的对比,后者通过首先检测人们并随后估计其身体姿势来解决该问题。此论文提出了基于CNN的部分检测器生成的一组身体部位假说的划分和标记公式。公式是整数线性程序的一个实例,隐式地对候选零件集执行非最大抑制并将其分组以形成考虑几何和外观约束的身体部位配置。在四个不同数据集上进行的实验证明了单人和多人姿势估计的最新结果。

基于搜索的神经结构学习的顺序问答

论文名称:Search-based Neural Structured Learning for Sequential Question Answering

作者:Mohit Iyyer /Wen-tau Yih / Ming-Wei Chang

发表时间:2017/5/17

论文链接:https://www.microsoft.com/en-us/research/wp-content/uploads/2017/05/acl17-dynsp.pdf

推荐原因

核心问题:这篇论文是做问答系统的,核心是语义解析,它为了解决在对话过程中回答简单但相互关联的序列问题。

创新点:为了解刚才所提出的问题,本论文提出了一种新的动态神经网络语义分析框架,应用了一种弱监督的奖励引导搜索。

研究意义:通过这种方式来搭建的网络模型,可以完成精确的回答(是在作者们自己收集的数据中)。

论文作者团队招募

为了更好地服务广大 AI 青年,AI 研习社正式推出全新「论文」版块,希望以论文作为聚合 AI 学生青年的「兴趣点」,通过论文整理推荐、点评解读、代码复现。致力成为国内外前沿研究成果学习讨论和发表的聚集地,也让优秀科研得到更为广泛的传播和认可。

我们希望热爱学术的你,可以加入我们的论文作者团队。

加入论文作者团队你可以获得

1.署着你名字的文章,将你打造成最耀眼的学术明星

2.丰厚的稿酬

3.AI 名企内推、大会门票福利、独家周边纪念品等等等。

加入论文作者团队你需要:

1.将你喜欢的论文推荐给广大的研习社社友

2.撰写论文解读

如果你已经准备好加入 AI 研习社的论文兼职作者团队,可以添加运营小姐姐的微信,备注“论文兼职作者”

本文分享自微信公众号 - AI科技评论(aitechtalk),作者:AI 研习社

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-02-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 读论文的正确姿势是什么?

    但是有没有发现当你费劲巴拉的读到最后,发现所读的论文并不是你想要的。显然,这种不错过每一张表格,不错过每一个数字和每一个公式的“害怕错过”式阅读法并不是最有效的...

    AI科技评论
  • 学界丨这届机器学习论文评比,搞怪无厘头我只服 Reddit

    你知道吗?Reddit 上的 Machine Learning 小组上目前已经聚集了 85,613 位关注者了,而在 2016 年底的时候,@Mandratha...

    AI科技评论
  • NeurIPS 2019 获奖论文出炉,微软华人学者Lin Xiao 获经典论文奖

    作为最久负盛名的机器学习顶会之一,今年 NeurIPS 2019 在召开之前就消息不断:在今年论文审稿期间,NeurIPS 2019 程序委员会主席专门发布声明...

    AI科技评论
  • 读论文的正确姿势是什么?

    但是有没有发现当你费劲巴拉的读到最后,发现所读的论文并不是你想要的。显然,这种不错过每一张表格,不错过每一个数字和每一个公式的“害怕错过”式阅读法并不是最有效的...

    AI科技评论
  • 学界丨这届机器学习论文评比,搞怪无厘头我只服 Reddit

    你知道吗?Reddit 上的 Machine Learning 小组上目前已经聚集了 85,613 位关注者了,而在 2016 年底的时候,@Mandratha...

    AI科技评论
  • NeurIPS 2019 获奖论文出炉,微软华人学者Lin Xiao 获经典论文奖

    作为最久负盛名的机器学习顶会之一,今年 NeurIPS 2019 在召开之前就消息不断:在今年论文审稿期间,NeurIPS 2019 程序委员会主席专门发布声明...

    AI科技评论
  • 凭“颜值”拒稿,误判率仅0.4%?这篇计算机视觉论文让AI学界炸了锅

    不少人哈哈哈哈怀疑作者在搞笑,当然也有很多人严肃读论文,辩论数据、结论的不合理之处。甚至有人说,研究揭示了论文评审中本就存在的人类偏见。

    小小詹同学
  • 【经典】MIT人工智能实验室: 如何做研究?

    【导读】本文来自于MIT的人工智能实验室,创作于1988,虽然有30多年,但作为新进硕士博士研究生的参考,写的绝对精辟,奉为经典。中文译本由北京师范大学信息学院...

    zenRRan
  • 【收藏】2万字超长干货,如何做研究?

    https://dspace.mit.edu/bitstream/handle/1721.1/41487/AI_WP_316.pdf

    yuquanle
  • 【重温经典】MIT人工智能实验室: 如何做研究?丨附下载

    并没有什么神丹妙药可以保证在研究中取得成功,本文只是列举了一些可能会有所帮助的非正式意见。

    数据猿

扫码关注云+社区

领取腾讯云代金券