Research

by PaddlePaddle

PaddlePaddle / Research

novel deep learning research works with PaddlePaddle

436 Stars 322 Forks Last release: Not found Apache License 2.0 158 Commits 0 Releases

Available items

No Items, yet!

The developer of this repository has not created any items for sale yet. Need a bug fixed? Help with integration? A different license? Create a request here:

Research

发布基于飞桨的前沿研究工作,包括CV、NLP、KG、STDM等领域的顶会论文和比赛冠军模型。

目录

计算机视觉

| 任务类型 | 目录 | 简介 | 论文链接 | | ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | -------- | | 车流统计 | VehicleCounting | AICITY2020 车流统计竞赛datasetA TOP1 方案。 | - | | 车辆再识别 | PaddleReid | 给定目标车辆,在检索库中检索同id车辆,支持多种特征子网络。 | - | | 车辆异常检测 | AICity2020-Anomaly-Detection | 在监控视频中检测车辆异常情况,例如车辆碰撞、失速等。| - | | 医学图像分析 | AGEchallenge | 任务:在AS-OCT图像的公共数据集上进行闭角型分类和巩膜突点定位;基线模型:对应以上各任务的基线模型。 | - | | 光流估计 | PWCNet | 基于金字塔式处理,逐层学习细部光流,设计代价容量函数三原则的CNN模型,用于光流估计。 | https://arxiv.org/abs/1709.02371 | | 语义分割 | SemSegPaddle | 针对多个数据集的图像语义分割模型的实现,包括Cityscapes、Pascal Context和ADE20K。 | - | | 轻量化检测 | astar2019 | 百度之星轻量化检测比赛评测工具。 | - | | 地标检索与识别 | landmark | 基于检索的地标检索与识别系统,支持地标型与非地标型识别、识别与检索结果相结合的多重识别结果投票和重新排序。 | https://arxiv.org/abs/1906.03990 | | 图像分类 | webvision2018 | 模型利用重加权网络(URNet)缓解web数据中偏倚和噪声的影响,进行web图像分类。 | https://arxiv.org/abs/1811.00700 | | 图像分类 | CLPI | 模型利用一个Lesion Generator改善了糖尿病视网膜病变图像分级的模型性能,理论上可用于所有希望实现局部+整体模型分析的场景 | - |

自然语言处理

| 任务类型 | 目录 | 简介 | 论文链接 | | ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | -------- | | 中文词法分析 | LAC(Lexical Analysis of Chinese) | 百度自主研发中文特色模型词法分析任务,集成了中文分词、词性标注和命名实体识别任务。输入是一个字符串,而输出是句子中的词边界和词性、实体类别。 | - | | 主动对话 | DuConv | 机器根据给定知识信息主动引领对话进程完成设定的对话目标。 |https://www.aclweb.org/anthology/P19-1369/| | 语义解析 | DuSQL-Baseline | 输入自然语言问题和相应的数据库,生成与问题对应的 SQL 查询语句,通过执行该 SQL 可得到问题的答案。 | - | | 多轮对话 | DAM | 开放领域多轮对话匹配的深度注意力机制模型,根据多轮对话历史和候选回复内容,排序出最合适的回复。 | http://aclweb.org/anthology/P18-1103 | | 阅读理解 | DuReader | 数据集:大规模、面向真实应用、由人类生成的中文阅读理解数据集,聚焦于真实世界中的不限定领域的问答任务;基线系统:针对DuReader数据集实现的经典BiDAF模型。 | https://www.aclweb.org/anthology/W18-2605/ | | 关系抽取 | ARNOR | 数据集:用于对远程监督关系提取模型进行句子级别的评价;模型:基于注意力正则化识别噪声数据,通过bootstrap方法逐步选择出高质量的标注数据。| https://www.aclweb.org/anthology/P19-1135/ | | 机器翻译 | JEMT | 模型的输入端包括文字信息及发音信息,嵌入层融合文字信息和发音信息进行翻译。 | https://arxiv.org/abs/1810.06729 | | 阅读理解 | KTNET | 模型将知识库中的知识整合到预先训练好的上下文表示中,利用丰富的知识增强机器阅读理解的预训练语言表示。 | https://www.aclweb.org/anthology/P19-1226 | | 对话生成 | PLATO | 基于隐空间的端到端的预训练对话生成模型,可以灵活支持多种对话,包括闲聊、知识聊天、对话问答等。 | http://arxiv.org/abs/1910.07931 | | 阅读理解 | DuReader-Robust-BASELINE | 数据集:DuReader-robust,中文数据集,用于全面评价机器阅读理解模型的鲁棒性;基线系统:针对该数据集,基于ERNIE实现的阅读理解基线系统。 | https://arxiv.org/abs/2004.11142 | | 对话生成 | AKGCM | 包含知识增强图、知识选择和知识感知响应生成器的聊天机器人。 | https://www.aclweb.org/anthology/D19-1187/ | | 机器翻译 | MAL | 多智能体端到端联合学习框架,通过多个智能体的互相学习提升翻译质量。 | https://arxiv.org/abs/1909.01101 | | 对话生成 | MMPMS | 针对开放域对话中一对多问题,利用多映射机制和后验映射选择模块进行多样性、丰富化的对话生成。 | https://arxiv.org/abs/1906.01781 | | 阅读理解 | MRQA2019-BASELINE | 机器阅读理解任务的基线模型,基于ERNIE预训练模型,支持多GPU微调预测。 | - | | 阅读理解 | D-NET | 预训练及微调框架,包含多任务学习及多预训练模型的融合,用于阅读理解模型的生成。 | https://www.aclweb.org/anthology/D19-5828/ | | 建议挖掘 | MPM | 利用多视角架构来学习表示和双向transformer编码器进行论坛评论建议挖掘。 | https://www.aclweb.org/anthology/S19-2216/ | | 多文档摘要 | ACL2020-GraphSum | 基于图表示的生成式多文档摘要模型,将显式图结构信息引入到端到端摘要生成过程中。 | https://www.aclweb.org/anthology/2020.acl-main.555.pdf |

知识图谱

| 任务类型 | 目录 | 简介 | 论文链接 | | ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | -------- | | 知识图谱表示学习 | CoKE | 百度自主研发语境化知识图谱表示学习框架CoKE,在知识图谱链接预测和多步查询任务上取得学界领先效果。| https://arxiv.org/abs/1911.02168 | | 关系抽取 | DuIE_Baseline | 语言与智能技术竞赛关系抽取任务DuIE 2.0基线系统,通过设计结构化标注体系,实现基于ERNIE的端到端SPO抽取模型。| - | | 事件抽取 |DuEE_baseline| 语言与智能技术竞赛事件抽取任务DuEE 1.0基线系统,实现基于ERNIE+CRF的Pipeline事件抽取模型。| - | | 实体链指 |DuEL_baseline| 面向中文短文本的实体链指任务(CCKS 2020)的基线系统,实现基于ERNIE和多任务机制的实体链指模型。| - | | 辅助诊断 |SignOrSymptom_Relationship| 针对EMR具有无结构化文本和结构化信息并存的特点,结合医疗NLU,以深度学习模型实现EMR的向量化表示、诊断预分类和概率计算。| - |

时空数据挖掘

| 任务类型 | 目录 | 简介 | 论文链接 | | ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | -------- | | 固定资产价值估计 |MONOPOLY| 实用的POI商业智能算法,对大量其他的固定资产进行价值估计,包括城市居民对不同公共资产价格评估、私有房价评估偏好的发现与量化分析,以及对评估固定资产价格需考虑的空间范围的确定。 | https://dl.acm.org/doi/10.1145/3357384.3357810 | | 兴趣点生成 |P3AC| 具备个性化的前缀嵌入的POI自动生成。 | - |

许可证书

此向导由PaddlePaddle贡献,受Apache-2.0 license许可认证。

We use cookies. If you continue to browse the site, you agree to the use of cookies. For more information on our use of cookies please see our Privacy Policy.