Lucas Pascotti Valem
PulseAugur coverage of Lucas Pascotti Valem — every cluster mentioning Lucas Pascotti Valem across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLMs 增强 GCNs 用于半监督图像分类 · arXiv 论文
研究人员开发了一种新颖的方法，通过整合大型语言模型（LLMs）和图卷积网络（GCNs）来改进半监督图像分类。该方法通过使用视觉语言模型（VLM）生成图像的文本描述来解决图像分类中的图构建挑战。然后，这些描述由 LLM 处理，以估算图像之间的语义相似度得分，这些得分用于改进 GCNs 使用的图。这种改进过程有助于过滤掉语义上不相关的连接，从而提高分类准确性，尤其是在使用 kNN 图时。
-
新框架优化图像分类训练数据选择
研究人员开发了一个新的图像分类框架，通过有效地选择代表性数据子集来解决在大数据集上训练的挑战。该框架称为 SCOre-Stratified Selection (SCOSS)，根据分数和每个区间内的样本对数据进行分区，并结合多次运行的集成聚合。实验表明，SCOSS 与现有方法相比具有竞争力，对于 Simple Graph Convolution (SGC) 分类器尤其有效，并且在准确性和效率之间提供了有利的权衡，尤其是在使用较少标记样本时。
-
新的GNN方法通过多特征聚合增强图像分类
一篇新的研究论文提出了一种使用图神经网络（GNN）的增强型半监督图像分类方法，该方法在标记数据有限的情况下尤其有益。该方法整合了来自不同提取器的多样化特征表示，并采用秩聚合技术来组合这些特征。实验结果表明，这种多特征聚合策略以及用于图处理的流形学习，显著提高了分类准确性。
-
新的GRaNDe方法提高了图神经网络在图像分类中的准确性
研究人员开发了一种名为GRaNDe（基于高斯秩的邻域度）的新方法，以改进用于图像分类的图神经网络（GNN）。该技术通过结合邻域排序和高斯距离加权来更好地评估节点重要性，解决了传统GNN将所有邻近节点同等对待的局限性。在五个数据集上的实验表明，GRaNDe持续提高了准确性，并且与现有的最先进方法相比具有竞争力。