用于内存高效手语翻译的变分贝叶斯序列到序列网络
机器学习
2021-02-12 v1 机器学习
摘要
内存高效的连续手语翻译是开发面向聋人的具有实时适用性的辅助技术的一大挑战。本工作中，我们引入一种设计循环深度网络的范式，其中循环层的输出由非参数统计中的适当参数推导而来。提出了一种新颖的变分贝叶斯序列到序列网络架构，其包含：a) 用于数据驱动内存压缩的完整高斯后验分布；b) 应用于门控循环单元非门权重上的非参数Indian Buffet Process先验以作正则化。我们将该方法称为Stick-Breaking循环网络，并表明其能在不降低建模性能的前提下实现显著的权重压缩。
引用
@article{arxiv.2102.06143,
title = {Variational Bayesian Sequence-to-Sequence Networks for Memory-Efficient Sign Language Translation},
author = {Harris Partaourides and Andreas Voskou and Dimitrios Kosmopoulos and Sotirios Chatzis and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:2102.06143},
year = {2021}
}