|
作者：Dong, X., Gabrilovich, E., Heitz, G., Horn, W., Lao, N., Murphy, K., ... & Zhang, W.(2014, August). In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining ACM 数据：引用：334、HIC：7、CV：107 摘要：我们引入了一个网络规模的概率知识库，它将网页内容提取（通过文本分析、表格数据、页面结构和人工注释获得）与来自现存知识库中的先验知识相结合，以构建新知识库。我们部署监督学习方法去融合不同的信息源。该知识库比先前发布的任何结构化知识库大得多，并且具有概率推理系统，该概率推理系统能计算事实准确性的校准概率。 13. 论文：用于高维数据的可扩展最近邻算法（Scalable Nearest Neighbor Algorithms for High Dimensional Data） 链接： 作者：Lowe, D.G., & Muja, M. (2014). IEEE Trans. Pattern Anal. Mach. Intell. 数据：引用：324、HIC：11、CV：69 摘要：我们提出了用于近似最近邻匹配的新算法，并将其与以前的算法进行比较。为了将其扩展到大型数据集（不适合单机的存储处理）上，我们提出了一种分布式最近邻匹配框架，该框架可以与论文中描述的任何算法一起使用。 14. 论文：回顾超限学习机的发展趋势（Trends in extreme learning machines: a review） 链接： 作者：Huang, G., Huang, G., Song, S., & You, K. (2015). Neural Networks 数据：引用：323、HIC：0、CV：0 摘要：我们的目标是报告超限学习机（ELM）的理论研究和实践进展所处的现状。除了分类和回归，ELM 最近已经被扩展到集群、特征选择、代表性学习和许多其他学习任务。由于其惊人的高效性、简单性和令人印象深刻的泛化能力，ELM 已经被广泛用于各种领域，如生物医学工程、计算机视觉、系统识别、控制和机器人。 15. 论文：一份关于概念漂移适应的调查（A survey on concept drift adaptation） 链接： 作者：Bifet, A., Bouchachia, A., Gama, J., Pechenizkiy, M., & Zliobaite, I. ACM Comput. Surv., 2014 数据：引用：314、HIC：4、CV：23 摘要：该文全面介绍了概念漂移适应。它指的是当输入数据与目标变量之间的关系随时间变化之时的在线监督学习场景。 16. 论文：深度卷积激活特征的多尺度无序池化（Multi-scale Orderless Pooling of Deep Convolutional Activation Features） 链接： 作者：Gong, Y., Guo, R., Lazebnik, S., & Wang, L. (2014). ECCV 数据：引用：293、HIC：23、CV：95 摘要：为了在不降低其辨别力的同时改善卷积神经网络激活特征的不变性，atv，本文提出了一种简单但有效的方案：多尺度无序池化（MOP-CNN）。 17. 论文：同时检测和分割（Simultaneous Detection and Segmentation） 链接： 作者：Arbeláez, P.A., Girshick, R.B., Hariharan, B., & Malik, J. (2014) ECCV 数据：引用：286、HIC：23、CV：94 摘要：本文的目标是检测图像中一个类别的所有实例，并为每个实例标记属于它的像素。我们称将此任务称为同时检测和分割（SDS）。 18. 论文：一份关于特征选择方法的调查（A survey on feature selection methods） 链接： 作者：Chandrashekar, G., & Sahin, F. Int. J. on Computers & Electrical Engineering 数据：引用：279、HIC：1、CV：58 摘要：在文献中，有许多特征选择方法可用，由于某些数据集具有数百个可用的特征，这会导致数据具有非常高的维度。 19. 论文：用回归树集成方法在一毫秒内实现人脸校准（One Millisecond Face Alignment with an Ensemble of Regression Trees） 链接： 作者：Kazemi, Vahid, and Josephine Sullivan, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2014 数据：引用：277、HIC：15、CV：0 (责任编辑：本港台直播) |