摘要—我们首次提出通过从数据标注过程中学习，利用不确定性进行RGB-D显著性检测的随机框架。现有RGB-D显著性检测模型遵循确定性学习流程，通过预测单一显著性图将该任务视为点估计问题。然而，我们认为确定性解决方案存在相对不适定性。受显著性数据标注过程启发，我们提出一种生成式架构来实现概率化RGB-D显著性检测，该架构利用潜变量建模标注差异。我们的框架包含两个主要模型：1) 生成器模型，将输入图像和潜变量映射为随机显著性预测；2) 推理模型，通过从真实或近似后验分布中采样来逐步更新潜变量。生成器模型采用编码器-解码器结构的显著性网络。针对潜变量推断，我们引入两种解决方案：i) 条件变分自编码器，通过额外编码器逼近潜变量的后验分布；ii) 交替反向传播技术，直接从真实后验分布中采样潜变量。在六个具有挑战性的RGB-D基准数据集上的定性与定量结果表明，我们的方法在学习显著性图分布方面具有卓越性能。源代码已通过项目页面公开：https://github.com/JingZhang617/UCNet。

从上下文中识别和理解高质量短语是文本挖掘的一项基础任务。该任务最具挑战性的部分在于罕见、新兴和领域特定短语的识别。这些短语的低频特性严重影响了依赖语料库中充分出现次数的传统短语挖掘方法性能。虽然基于上下文感知的标注模型不受频率限制，但其严重依赖领域专家提供大量句子级黄金标注或手工编纂的术语表