PulseAugur
中
实时 10:10:03
实体 Connectionist temporal classification

Connectionist temporal classification

PulseAugur coverage of Connectionist temporal classification — every cluster mentioning Connectionist temporal classification across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 7
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 7 条
  1. TOOL · CL_317281 ·

    新研究比较端到端自动语音识别模型中的搜索复杂性

    一篇新的研究论文系统地比较了端到端自动语音识别(ASR)模型,特别是连接主义时间分类(CTC)和神经换能器模型的搜索空间复杂性和效率。研究表明,虽然这些模型通常在较小的搜索空间中运行,但在不确定时刻,它们的假设数量可能会出现显著的暂时性峰值。研究证明,基于分数的剪枝可以动态地根据模型的不确定性调整搜索,从而显著降低实时因子(RTF),并突出了固定大小束剪枝的局限性。

  2. TOOL · CL_315205 ·

    新框架将手绘电路图转换为SPICE兼容的网表

    研究人员开发了Sketch2Sim,一个用于分析手绘电路图的新型框架。该系统将电路草图转换为与集成电路强调仿真程序(SPICE)兼容的格式,从而能够自动计算节点电压和电流。该框架采用多阶段流水线,包括基于YOLO的检测器、用于符号提取的带OCR的CRNN,以及用于节点识别的DBSCAN等图像处理技术。创建了一个包含1000个手绘电阻-电感-电容(RLC)电路的数据集来训练和评估该系统,证明了其在各种书写风格和条件下的稳健性能。

  3. TOOL · CL_229171 ·

    新框架统一高棉语文本识别与词语切分

    研究人员开发了一个新颖的框架,该框架在一个模型中联合执行高棉语文本识别和词语切分。这种统一的方法利用连接主义时间分类解码器,旨在与传统的顺序处理流程相比,降低延迟和错误率。在各种文档类型上的实验表明,该模型能够同时识别字符和确定词语边界,无需单独的切分步骤。

  4. TOOL · CL_229000 ·

    新的 Transformer 编码器树架构提高了多语言翻译效率

    研究人员开发了一种名为 Transformer 编码器树 (TET) 的新架构,以改进多语言机器翻译和语音翻译。这种分层、非自回归模型在相似目标语言之间共享中间表示,提高了低资源语言的准确性并减少了计算冗余。TET 允许所有目标语言在一次传递中生成,消除了传统自回归模型的顺序瓶颈,并实现了并行解码。该架构已证明在参数数量和推理计算方面有显著减少,在语音翻译方面,它提供了具有显著更快推理时间的竞争性质量。

  5. TOOL · CL_156447 ·

    New CTC method improves diacritic restoration for Arabic speech transcripts

    研究人员开发了一种高效的、非自回归的方法,使用连接主义时间分类(CTC)来恢复阿拉伯语音文本中的音标。该方法通过从无音标文本创建字符级音标格,在解码过程中加入硬约束,将假设限制在有效的音标形式内。在古典阿拉伯语和现代标准阿拉伯语数据集(特别是ArVoice和ClArTTS)上的评估表明,与更复杂的多模态基线相比,音标错误率显著降低,突出了性能和效率的提升。

  6. TOOL · CL_113482 ·

    新的阿拉伯语文本去重系统使用CTC提高LLM效率

    研究人员开发了CANDLE,一种用于去重阿拉伯语文本中字符的新颖系统,特别解决了区分社交媒体上故意的字符拉长与非正式用法之间的挑战。该系统利用连接主义时间分类(CTC)将归一化视为序列对齐问题,在各种基准测试中实现了5.37%的低句子错误率。该模型的蒸馏版本在推理开销和分词器肥沃度方面提供了显著的降低,有可能降低阿拉伯语LLM的成本并提高上下文窗口利用率。

  7. RESEARCH · CL_107787 ·

    新系统CANDLE使用CTC进行阿拉伯语文本噪声去重

    研究人员开发了CANDLE,一个用于字符级阿拉伯语噪声去重的创新系统。该系统利用连接主义时间分类(CTC)将归一化视为一个序列对齐问题,这种方法以前并未应用于字符去重。在各种基准测试中,CANDLE的句子错误率低至5.37%,并且显著优于基于分类的基线。该系统进一步被提炼成一个更小的、2层的模型,性能损失极小,提供了实际效益,例如降低了阿拉伯语LLM的分词器肥沃度,从而降低了推理成本并提高了上下文窗口利用率。